引言

经典 f-散度定义与性质

  • 经典 f-散度Df(p∥q)=∑xq(x)f(p(x)/q(x))D_f(p\|q) = \sum_x q(x) f(p(x)/q(x)),适用于概率分布p,qp,q,涵盖 KL 散度、Rényi 型相对熵等。
  • 满足操作意义:对应特定贝叶斯决策问题的最优收益;满足随机化准则(randomization criterion),刻画统计可比较性。
  • 通过凸分析延拓至一般正测度:使用闭包函数gf(λ1,λ2)g_f(\lambda_1,\lambda_2)处理q(x)=0q(x)=0等边界情形,保证下半连续性与凸性。
    -gfg_f是正齐次、闭、真凸函数,可表为线性泛函的逐点上确界:gf(λ1,λ2)=sup⁡(w1,w2)∈Wf(w1λ1+w2λ2)g_f(\lambda_1,\lambda_2) = \sup_{(w_1,w_2)\in W_f} (w_1\lambda_1 + w_2\lambda_2)。

量子 f-散度的研究背景

  • Petz 提出的经典量子版本被广泛研究与应用;量子 Rényi 熵理论近年取得重要进展。
  • 本文提出新量子版本——最大量子 f-散度Dfmax⁡(ρ∥σ)D^{\max}_f(\rho\|\sigma),定义为:在所有能“生成”给定量子态对(ρ,σ)(\rho,\sigma)的经典逆测试(reverse test)中,所对应经典 f-散度的最小值。
    -Dfmax⁡D^{\max}_f是满足单调性(D1/D1’)与经典一致性(D2)的所有量子 f-散度中的最大者。
  • 历史关联:当f(λ)=λln⁡λf(\lambda)=\lambda\ln\lambda且σ\sigma可逆时,Dλln⁡λmax⁡(ρ∥σ)=tr ρlog⁡(ρ1/2σ−1ρ1/2)D^{\max}_{\lambda\ln\lambda}(\rho\|\sigma) = \mathrm{tr}\,\rho\log(\rho^{1/2}\sigma^{-1}\rho^{1/2}),此前已被多位作者从算子论角度研究,并与 RLD 菲舍尔度量路径依赖散度相关联。

逆测试与最大 f-散度的定义

逆测试(Reverse Test)的形式化

  • 逆测试是三元组(Γ,{p,q})(\Gamma, \{p,q\}):Γ\Gamma是从有限集XX上正测度到 Hermite 算子的迹保持正线性映射;p,qp,q是XX上的正测度,满足Γ(p)=ρ\Gamma(p)=\rho、Γ(q)=σ\Gamma(q)=\sigma。
    -Dfmax⁡(ρ∥σ):=inf⁡(Γ,{p,q})Df(p∥q)D^{\max}_f(\rho\|\sigma) := \inf_{(\Gamma,\{p,q\})} D_f(p\|q),下确界取遍所有逆测试。

最大 f-散度的基本性质

  • 满足公理(D1’)与(D2):对任意迹保持正映射Λ\Lambda,有Dfmax⁡(Λ(ρ)∥Λ(σ))≤Dfmax⁡(ρ∥σ)D^{\max}_f(\Lambda(\rho)\|\Lambda(\sigma)) \leq D^{\max}_f(\rho\|\sigma);且在经典情形下退化为经典 f-散度。
  • 若某量子 f-散度DfQD^Q_f同时满足(D1’)与(D2),则必有DfQ(ρ∥σ)≤Dfmax⁡(ρ∥σ)D^Q_f(\rho\|\sigma) \leq D^{\max}_f(\rho\|\sigma)。
  • 在有限维 Hilbert 空间中,若gf(λ1,0)<∞g_f(\lambda_1,0)<\infty且gf(0,λ2)<∞g_f(0,\lambda_2)<\infty,则下确界可达(即存在最小化逆测试)。

逆测试的表示方法

参数化表示{Sx,rx}\{S_x,r_x\}

  • 设δx\delta_x为xx处的 Delta 测度,定义Sx=q(x)Γ(δx)S_x = q(x)\Gamma(\delta_x)(若x∈supp qx\in\mathrm{supp}\,q)或p(x)Γ(δx)p(x)\Gamma(\delta_x)(否则),rx=p(x)/q(x)r_x = p(x)/q(x)(若x∈supp qx\in\mathrm{supp}\,q)或∞\infty(否则)。
  • 则约束条件为:∑x∈supp qrxSx+∑x∉supp qSx=ρ\sum_{x\in\mathrm{supp}\,q} r_x S_x + \sum_{x\notin\mathrm{supp}\,q} S_x = \rho,∑x∈supp qSx=σ\sum_{x\in\mathrm{supp}\,q} S_x = \sigma。
  • 对应经典散度:Df(p∥q)=∑x∈supp qf(rx)tr Sx+lim⁡ε↓0εf(1/ε)∑x∉supp qtr SxD_f(p\|q) = \sum_{x\in\mathrm{supp}\,q} f(r_x)\mathrm{tr}\,S_x + \lim_{\varepsilon\downarrow 0}\varepsilon f(1/\varepsilon)\sum_{x\notin\mathrm{supp}\,q}\mathrm{tr}\,S_x。
  • 可假设x↦rxx\mapsto r_x单射,从而将表示简化为函数S(r)S(r):∫0∞rS(r) dr+S(∞)=ρ\int_0^\infty r S(r)\,dr + S(\infty) = \rho,∫0∞S(r) dr=σ\int_0^\infty S(r)\,dr = \sigma。

与 Radon–Nikodym 导数的联系

  • 对满足supp ρ∗⊂supp σ\mathrm{supp}\,\rho^*\subset\mathrm{supp}\,\sigma的ρ∗\rho^*,定义交换 Radon–Nikodym 导数d(ρ∗,σ)=σ−1/2ρ∗σ−1/2d(\rho^*,\sigma) = \sigma^{-1/2}\rho^*\sigma^{-1/2}。
  • 若d(ρ∗,σ)=∑xrxMxd(\rho^*,\sigma) = \sum_x r_x M_x(谱分解),且ρ∗≤ρ\rho^*\leq\rho,则可构造逆测试:
    -Sx=σ1/2Mxσ1/2S_x = \sigma^{1/2}M_x\sigma^{1/2}(若rx<∞r_x<\infty),S∞=ρ−ρ∗S_\infty = \rho-\rho^*;
    -p(x)=rxtr Sxp(x)=r_x\mathrm{tr}\,S_x,q(x)=tr Sxq(x)=\mathrm{tr}\,S_x。
  • 极小逆测试:取ρ∗=ρ~=ρ11−ρ12ρ22−1ρ21\rho^* = \tilde{\rho} = \rho_{11} - \rho_{12}\rho_{22}^{-1}\rho_{21}(Schur 补),其中ρ,σ\rho,\sigma分块为ρ=[ρ11ρ12ρ21ρ22], σ=[σ11000]\rho = \begin{bmatrix}\rho_{11}&\rho_{12}\\\rho_{21}&\rho_{22}\end{bmatrix},\ \sigma = \begin{bmatrix}\sigma_{11}&0\\0&0\end{bmatrix}。

##Dfmax⁡D^{\max}_f的基本性质

凸性与齐次性

  • 联合凸性:若ρ=∑iciρi\rho = \sum_i c_i\rho_i,σ=∑iciσi\sigma = \sum_i c_i\sigma_i,则Dfmax⁡(ρ∥σ)≤∑iciDfmax⁡(ρi∥σi)D^{\max}_f(\rho\|\sigma) \leq \sum_i c_i D^{\max}_f(\rho_i\|\sigma_i)。
  • 第二变量单调递减(当f(0)=0f(0)=0):若X≥σX\geq\sigma,则Dfmax⁡(ρ∥X)≤Dfmax⁡(ρ∥σ)D^{\max}_f(\rho\|X) \leq D^{\max}_f(\rho\|\sigma)。
  • 正齐次性:Dfmax⁡(cρ∥cσ)=cDfmax⁡(ρ∥σ)D^{\max}_f(c\rho\|c\sigma) = c D^{\max}_f(\rho\|\sigma),特别地Dfmax⁡(0∥0)=0D^{\max}_f(0\|0)=0。
  • 直和性质:若ρ=ρ0⊕ρ1\rho = \rho_0\oplus\rho_1,σ=σ0⊕σ1\sigma = \sigma_0\oplus\sigma_1,支撑于正交子空间,则Dfmax⁡(ρ∥σ)=Dfmax⁡(ρ0∥σ0)+Dfmax⁡(ρ1∥σ1)D^{\max}_f(\rho\|\sigma) = D^{\max}_f(\rho_0\|\sigma_0) + D^{\max}_f(\rho_1\|\sigma_1)。

有限性条件

-Dfmax⁡(ρ∥σ)<∞D^{\max}_f(\rho\|\sigma) < \infty当且仅当以下四者之一成立:
-lim⁡ε↓0εf(1/ε)<∞\lim_{\varepsilon\downarrow 0}\varepsilon f(1/\varepsilon)<\infty且f(0)<∞f(0)<\infty;
-lim⁡ε↓0εf(1/ε)<∞\lim_{\varepsilon\downarrow 0}\varepsilon f(1/\varepsilon)<\infty,f(0)=∞f(0)=\infty,且supp ρ⊃supp σ\mathrm{supp}\,\rho\supset\mathrm{supp}\,\sigma;
-lim⁡ε↓0εf(1/ε)=∞\lim_{\varepsilon\downarrow 0}\varepsilon f(1/\varepsilon)=\infty,f(0)<∞f(0)<\infty,且supp ρ⊂supp σ\mathrm{supp}\,\rho\subset\mathrm{supp}\,\sigma;
-lim⁡ε↓0εf(1/ε)=∞\lim_{\varepsilon\downarrow 0}\varepsilon f(1/\varepsilon)=\infty,f(0)=∞f(0)=\infty,且supp ρ=supp σ\mathrm{supp}\,\rho=\mathrm{supp}\,\sigma。

当ff是算子凸函数时

封闭公式

  • 假设ff满足(F):真、闭、算子凸,定义域[0,∞)[0,\infty),且f(0)=0f(0)=0。
  • 则Dfmax⁡(ρ∥σ)=tr σf(σ−1ρ~)+tr (ρ−ρ~)lim⁡ε↓0εf(1/ε)D^{\max}_f(\rho\|\sigma) = \mathrm{tr}\,\sigma f(\sigma^{-1}\tilde{\rho}) + \mathrm{tr}\,(\rho-\tilde{\rho})\lim_{\varepsilon\downarrow 0}\varepsilon f(1/\varepsilon),其中ρ~\tilde{\rho}为 Schur 补。
  • 极小逆测试实现该最小值,且对所有满足(F)的ff均最优。

典型示例

  • KL 散度:fKL(λ)=λlog⁡λf_{\mathrm{KL}}(\lambda)=\lambda\log\lambda,得DfKLmax⁡(ρ∥σ)=tr ρlog⁡(ρ1/2σ−1ρ1/2)D^{\max}_{f_{\mathrm{KL}}}(\rho\|\sigma) = \mathrm{tr}\,\rho\log(\rho^{1/2}\sigma^{-1}\rho^{1/2})。
  • Rényi 散度:fα(λ)=±λαf_\alpha(\lambda)=\pm\lambda^\alpha(α∈[−1,1]∖{0}\alpha\in[-1,1]\setminus\{0\}),得Dfαmax⁡(ρ∥σ)=tr σfα(σ−1ρ)D^{\max}_{f_\alpha}(\rho\|\sigma) = \mathrm{tr}\,\sigma f_\alpha(\sigma^{-1}\rho);并满足对偶性Dfαmax⁡(ρ∥σ)=Df1−αmax⁡(σ∥ρ)D^{\max}_{f_\alpha}(\rho\|\sigma) = D^{\max}_{f_{1-\alpha}}(\sigma\|\rho)。

算子不等式版本

  • 定义自伴算子gf(ρ,σ)=σf(σ−1/2ρσ−1/2)σg_f(\rho,\sigma) = \sqrt{\sigma}f(\sigma^{-1/2}\rho\sigma^{-1/2})\sqrt{\sigma}(当supp ρ⊂supp σ\mathrm{supp}\,\rho\subset\mathrm{supp}\,\sigma),或含修正项的推广形式。
  • 满足算子版单调性:对任意正迹保持映射Λ\Lambda,有Λ(gf(ρ,σ))≥gf(Λ(ρ),Λ(σ))\Lambda(g_f(\rho,\sigma)) \geq g_f(\Lambda(\rho),\Lambda(\sigma))。
  • 满足算子版凸性、齐次性与直和性。

与 RLD 菲舍尔度量的关系

  • RLD 菲舍尔度量JρR(X,X)J^R_\rho(X,X)是逆估计(reverse estimation)问题的解:inf⁡∑xv(x)2/p(x)\inf \sum_x v(x)^2/p(x),满足Γ(p)=ρ\Gamma(p)=\rho、Γ(v)=X\Gamma(v)=X。
  • 当f(λ)=(1−λ)2f(\lambda)=(1-\lambda)^2时,Dfmax⁡(ρ+εX∥ρ)D^{\max}_f(\rho+\varepsilon X\|\rho)的二阶导数在ε=0\varepsilon=0处等于f′′(1)JρR(X,X)f''(1)J^R_\rho(X,X),从而建立与 RLD 度量的定量联系。

最优逆测试的本质唯一性

  • 若ff满足(F)及谱测度条件(41),且Dfmax⁡(ρ∥σ)<∞D^{\max}_f(\rho\|\sigma)<\infty,则任意最优逆测试(Γ,{p,q})(\Gamma,\{p,q\})必与极小逆测试(Γ1,{p1,q1})(\Gamma_1,\{p_1,q_1\})本质等价:存在 CPTP 映射Γ0\Gamma_0、Γ0−1\Gamma_0^{-1},使得Γ=Γ1∘Γ0−1\Gamma = \Gamma_1 \circ \Gamma_0^{-1},Γ1=Γ∘Γ0\Gamma_1 = \Gamma \circ \Gamma_0,且Γ0−1\Gamma_0^{-1}是确定性的。
  • 推论:{ρ,σ}\{ \rho,\sigma \}与{σ,ρ}\{ \sigma,\rho \}的极小逆测试相同。

可逆逆测试与对易性

  • 若存在测量MM使得Dfmax⁡(ρ∥σ)=Df(PρM∥PσM)D^{\max}_f(\rho\|\sigma) = D_f(P^M_\rho\|P^M_\sigma),则ρ\rho与σ\sigma必对易(当ff算子凸)。
  • 反例:当f(λ)=∣1−λ∣f(\lambda)=|1-\lambda|(全变差距离)时,该结论不成立,说明算子凸性是关键条件。

当其中一个参数为纯态时

通用封闭公式

  • 设σ=∣ψ⟩⟨ψ∣\sigma = |\psi\rangle\langle\psi|为纯态(秩 1),则Dfmax⁡(ρ∥σ)=⟨ψ∣ρ∣ψ⟩f(⟨ψ∣ρ∣ψ⟩⟨ψ∣σ∣ψ⟩)+tr (ρ−ρ~)lim⁡ε↓0εf(1/ε)D^{\max}_f(\rho\|\sigma) = \langle\psi|\rho|\psi\rangle f\left( \frac{\langle\psi|\rho|\psi\rangle}{\langle\psi|\sigma|\psi\rangle} \right) + \mathrm{tr}\,(\rho - \tilde{\rho}) \lim_{\varepsilon\downarrow 0}\varepsilon f(1/\varepsilon),其中ρ~\tilde{\rho}为标量(Schur 补退化为内积)。
  • 此公式无需算子凸性假设,仅需初始条件(FC)。
  • 特别地,若ρ\rho也为纯态,则Dfmax⁡(ρ∥σ)=∥ψ∥2f(0)+∥ϕ∥2lim⁡ε↓0εf(1/ε)D^{\max}_f(\rho\|\sigma) = \|\psi\|^2 f(0) + \|\phi\|^2 \lim_{\varepsilon\downarrow 0}\varepsilon f(1/\varepsilon)。

总变差距离(f(λ)=∣1−λ∣f(\lambda)=|1-\lambda|)

基本设定与一般公式

  • 经典总变差距离:D∣1−λ∣(p∥q)=∥p−q∥1D_{|1-\lambda|}(p\|q) = \|p-q\|_1。
  • 标准量子版本:∥ρ−σ∥1=sup⁡M∥PρM−PσM∥1\|\rho-\sigma\|_1 = \sup_M \|P^M_\rho - P^M_\sigma\|_1,是满足(D1’)与(D2)的最小量子版本。
  • 本文中D∣1−λ∣max⁡(ρ∥σ)D^{\max}_{|1-\lambda|}(\rho\|\sigma)是其最大量子版本,二者一般不等。

关键结果

  • 优化问题可简化为线性半定规划(SDP),但无简洁闭式解。
  • 反例验证:存在ρ,σ\rho,\sigma使得D∣1−λ∣max⁡(ρ∥σ)>sup⁡M∥PρM−PσM∥1D^{\max}_{|1-\lambda|}(\rho\|\sigma) > \sup_M \|P^M_\rho - P^M_\sigma\|_1,即“嵌入量子态不损失总变差”。
  • 特殊情形恒等:若ρσ+σρ≥0\rho\sigma + \sigma\rho \geq 0或两态足够接近,则D∣1−λ∣max⁡(ρ∥σ)=∥ρ−σ∥1D^{\max}_{|1-\lambda|}(\rho\|\sigma) = \|\rho-\sigma\|_1。数值检验显示二维 Bloch 球上该等式成立区域较大。#### 新的量子f-散度版本
  • DQ|1−λ| (ρ∥σ) 满足下界不等式:DQ|1−λ| (ρ∥σ) ≥ ∥P^M_ρ − P^M_σ∥₁,其关于测量M的最大化导出关键断言。
  • Dmax|1−λ| (ρ∥σ) 定义为反向测试中满足特定结构的算子A的优化问题:Dmax|1−λ| (ρ∥σ) = inf {tr(ρ + σ − 2A) | A ≥ 0, ρ ≥ A, σ ≥ A}。
  • 反向测试Γ, p̃, q̃被构造为三元分布(0,1,2):Γ(δ₀)提取ρ与σ的公共部分(对应min{p(x),q(x)}Γ(δₓ)),Γ(δ₁)与Γ(δ₂)分别补偿ρ主导和σ主导的差异部分;p̃、q̃经归一化后满足∥p̃ − q̃∥₁ = ∥ρ − σ∥₁。

可逆反向测试

  • 在tr ρ = tr σ = 1条件下,研究Dmax|1−λ| (ρ∥σ) = ∥ρ − σ∥₁成立的充要条件。
  • 等式成立当且仅当A = ρ − [ρ − σ]₊ = ½(ρ + σ − |ρ − σ|) ≥ 0,其中|X| = √(X†X),[X]₊为X的正部。
  • 等价充要条件为存在A, Δ₁, Δ₂ ≥ 0使得ρ = A + Δ₁、σ = A + Δ₂,且Δ₁Δ₂ = 0。
  • 充分非必要条件包括:|ρ − σ| ≤ ρ + σ的最小特征值;或(ρ − σ)² ≤ (ρ + σ)²,等价于ρσ + σρ ≥ 0。
  • 与算子凸函数f的情形显著不同:对任意X,只要ε充分小,总有Dmax|1−λ| (ρ∥ρ + εX) = ∥ρ − (ρ + εX)∥₁ = ε∥X∥₁,而无需ρ与X可交换。

二维情形

  • 设希尔伯特空间维数dim ℋ = 2,ρ与σ用2×2厄米矩阵表示:ρ = [[a, c], [c̄, b]],σ = [[a, −c], [−c̄, b]](即σ = ZρZ†,Z = diag(1,−1))。
  • 由对称性可设最优A为对角阵;显式求解得两种情形下的最优A:
    • 若a ≥ b ≥ |c|,则A = diag(a − |c|, b − |c|),Dmax|1−λ| (ρ∥σ) = 4|c| = ∥ρ − σ∥₁;
    • 若a ≥ |c| ≥ b,则A = diag(a − |c|²/b, 0),Dmax|1−λ| (ρ∥σ) = 2b + |c|²/b。
  • 数值计算表明:对固定ρ(如最大特征值≤0.85),满足Dmax|1−λ| (ρ∥σ) = ∥ρ − σ∥₁的σ集合在布洛赫球中体积占比超50%,作者猜想该集合为以ρ为一个焦点的椭球体。### 9 散度作为线性泛函的上确界

9.1 另一种证明与另一种刻画

  • 命题3(广义拉格朗日对偶)适用于满足(FC)条件的f,将Dmaxₙ表示为线性泛函的上确界。
  • 构造空间X = {S(r)}ᵣ∈[0,∞](非负算子族)、Y = Bₛₐ(supp ρ) ⊕ Bₛₐ(supp σ),并定义仿射映射H(S(·))以编码约束ρ和σ。
  • H(X)在(0,0)处有内点,关键依赖于Y选取为支撑子空间上的自伴算子而非全空间B(H)⊕B(H)。
  • 对偶问题导出:Dmaxₙ(ρ‖σ) = sup{tr W₁ρ + tr W₂σ | W₁ ≤ a1, f(r)1 − rW₁ − W₂ ≥ 0, ∀r ∈ [0,∞)},其中a = limₑ↓₀ εf(1/ε)。
  • 当f分段线性(节点0 = b₀ < b₁ < … < bₖ₊₁ = ∞)时,约束简化为有限个半定不等式:bᵢW₁ + W₂ − f(bᵢ)1 ≤ 0(i=1,…,k),W₁ ≤ a1,W₂ ≤ f(0)1;此时为可高效数值求解的半定规划。
  • f(λ) = |1−λ|是k=1特例,其对偶即公式(62)。
  • 在supp ρ = supp σ下另证(69):通过构造满足(D2)的泛函DQₙ(ρ‖σ) = sup_(W₁,W₂)∈WQₙ tr(ρW₁ + σW₂),证明WQₙ ⊂ Wₘₐₓₙ,且右侧满足(D1′)(D2),故为最大可能泛函,从而cl Dmaxₙ = sup_(W₁,W₂)∈Wₘₐₓₙ tr(ρW₁ + σW₂)。
  • 命题4:任意满足(D2)、凸性、正齐次性及下半连续性的DQₙ均满足DQₙ(ρ‖σ) ≤ Dmaxₙ(ρ‖σ)。

10 连续性

  • Dmaxₙ在有效域内部(ρ > 0且σ > 0)连续,因它是真凸函数。
  • 在有效域边界上,Dmaxₙ为真且下半连续,关注Dmaxₙ(ρ‖σ) = ∞的点。
  • 引理9:若存在直线{(ρₑ,σₑ)}ₑ>₀ ⊂ dom Dmaxₙ收敛于(ρ,σ)且Dmaxₙ(ρₑ‖σₑ) → Dmaxₙ(ρ‖σ),则Dmaxₙ(ρ‖σ) = cl Dmaxₙ(ρ‖σ)。
  • 构造扰动ρₑ = ρ + επ₁、σₑ = σ + επ₂,其中π₁、π₂分别为(supp ρ)⊥∩supp σ与supp ρ∩(supp σ)⊥上的投影,π₀ = 1−π₁−π₂。
  • 利用CPTP映射Λ分解Dmaxₙ(ρₑ‖σₑ),三部分均为有限值(ε > 0时);当Dmaxₙ(ρ‖σ) = ∞时,极限limₑ↓₀ Dmaxₙ(ρₑ‖σₑ) = ∞成立。
  • 定理5:在(FC)下,(ρ,σ) ↦ Dmaxₙ(ρ‖σ)是真闭凸函数;沿任意有效域内直线扰动,limₑ↓₀ Dmaxₙ(ρₑ‖σₑ) = Dmaxₙ(ρ‖σ);但对任意曲线不成立(反例:σ纯态时沿特定路径极限依赖f渐近行为)。

11 可分无穷维希尔伯特空间

  • 将定义推广至可分无穷维情形,ρ、σ为迹类自伴算子(B₁,ₛₐ),W₁、W₂为有界自伴算子(Bₛₐ)。
  • 逆测试推广为:正则有限测度ν定义在[0,1]ײ上,ν-可测算子值函数Z_{p,q} ∈ B₁,ₛₐ满足tr Z_{p,q} = 1(ν-a.e.),且∫ pZ_{p,q}dν = ρ、∫ qZ_{p,q}dν = σ(弱意义积分)。
  • 新定义Dmaxₙ(ρ‖σ) = inf∫ g_f(p,q) tr Z_{p,q} dν,满足约束(74)(75)。
  • 定理6:若limₑ↓₀ εf(1/ε) < ∞且f(0) < ∞,则(i)公式(69)中W₁,W₂取遍Bₛₐ仍成立;(ii)下确界可被最小值替代;(iii)Dmaxₙ下半连续。
  • 证明框架:构建张量积空间Z = C ˆ⊗π Bₛₐ(C为[0,1]ײ上连续函数空间),将对偶问题转化为Z∗中的优化;利用Riesz-Markov定理将任意ζ ∈ Z∗表示为ζ(h)(W) = ∫ h(p,q) tr Z{p,q}W dν,并验证Z_{p,q}满足约束且不增目标值。

12 讨论

  • 最大f-散度作为逆测试优化问题的解,已在重要情形获得闭式表达。
  • 未来方向:研究其渐近版本,以弥合最大与最小量子f-散度间的差距。
  • 长期目标:完整刻画所有可能的量子f-散度(类比[7]对量子Fisher信息的刻画)。

附录1:矩阵分析背景

  • 命题5([22]):若f在[0,∞)连续、算子凸且f(0) ≤ 0,则对任意正算子X与C ≤ 1,有f(C†XC) ≤ C†f(X)C。
  • 命题6([23]):若f算子凸且Λ†为幺正正映射,则对A ≥ 0有f(Λ†(A)) ≤ Λ†(f(A))。
  • 命题7([1]):若f算子凸连续且a = limₑ↓₀ εf(1/ε) < ∞,则存在实数a与正Borel测度μ使得f(λ) = f(0) + aλ + ∫(0,∞) ψₜ(λ)dμ(t),其中ψₜ(λ) = −λ/(λ+t),且∫(0,∞) dμ(t)/(1+t) < ∞;故f为线性函数与算子单调减函数之和。
  • 命题8([1]):对有限点集{xi}上的复值函数f,存在复数{ci}使f(xi) = Σⱼ cⱼ/(xi+tⱼ)({ti}互异正数)。
  • 命题9([23]):若X,Y为正定矩阵且[X C; C† Y] ≥ 0,则X ≥ CY⁻¹C†且Y ≥ C†X⁻¹C。