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)),适用于概率分布p,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)处理q(x)=0等边界情形,保证下半连续性与凸性。
-gf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)。
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),定义为:在所有能“生成”给定量子态对(ρ,σ)的经典逆测试(reverse test)中,所对应经典 f-散度的最小值。
-Dfmax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)=λlnλ且σ可逆时,Dλlnλmax(ρ∥σ)=trρlog(ρ1/2σ−1ρ1/2),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}):Γ是从有限集X上正测度到 Hermite 算子的迹保持正线性映射;p,q是X上的正测度,满足Γ(p)=ρ、Γ(q)=σ。
-Dfmax(ρ∥σ):=inf(Γ,{p,q})Df(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,有Dfmax(Λ(ρ)∥Λ(σ))≤Dfmax(ρ∥σ);且在经典情形下退化为经典 f-散度。
- 若某量子 f-散度DfQ同时满足(D1’)与(D2),则必有DfQ(ρ∥σ)≤Dfmax(ρ∥σ)。
- 在有限维 Hilbert 空间中,若gf(λ1,0)<∞且gf(0,λ2)<∞,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}
- 设δx为x处的 Delta 测度,定义Sx=q(x)Γ(δx)(若x∈suppq)或p(x)Γ(δx)(否则),rx=p(x)/q(x)(若x∈suppq)或∞(否则)。
- 则约束条件为:∑x∈suppqrxSx+∑x∈/suppqSx=ρ,∑x∈suppqSx=σ。
- 对应经典散度:Df(p∥q)=∑x∈suppqf(rx)trSx+limε↓0εf(1/ε)∑x∈/suppqtrSx。
- 可假设x↦rx单射,从而将表示简化为函数S(r):∫0∞rS(r)dr+S(∞)=ρ,∫0∞S(r)dr=σ。
与 Radon–Nikodym 导数的联系
- 对满足suppρ∗⊂suppσ的ρ∗,定义交换 Radon–Nikodym 导数d(ρ∗,σ)=σ−1/2ρ∗σ−1/2。
- 若d(ρ∗,σ)=∑xrxMx(谱分解),且ρ∗≤ρ,则可构造逆测试:
-Sx=σ1/2Mxσ1/2(若rx<∞),S∞=ρ−ρ∗;
-p(x)=rxtrSx,q(x)=trSx。
- 极小逆测试:取ρ∗=ρ~=ρ11−ρ12ρ22−1ρ21(Schur 补),其中ρ,σ分块为ρ=[ρ11ρ21ρ12ρ22], σ=[σ11000]。
##Dfmax的基本性质
凸性与齐次性
- 联合凸性:若ρ=∑iciρi,σ=∑iciσi,则Dfmax(ρ∥σ)≤∑iciDfmax(ρi∥σi)。
- 第二变量单调递减(当f(0)=0):若X≥σ,则Dfmax(ρ∥X)≤Dfmax(ρ∥σ)。
- 正齐次性:Dfmax(cρ∥cσ)=cDfmax(ρ∥σ),特别地Dfmax(0∥0)=0。
- 直和性质:若ρ=ρ0⊕ρ1,σ=σ0⊕σ1,支撑于正交子空间,则Dfmax(ρ∥σ)=Dfmax(ρ0∥σ0)+Dfmax(ρ1∥σ1)。
有限性条件
-Dfmax(ρ∥σ)<∞当且仅当以下四者之一成立:
-limε↓0εf(1/ε)<∞且f(0)<∞;
-limε↓0εf(1/ε)<∞,f(0)=∞,且suppρ⊃suppσ;
-limε↓0εf(1/ε)=∞,f(0)<∞,且suppρ⊂suppσ;
-limε↓0εf(1/ε)=∞,f(0)=∞,且suppρ=suppσ。
当f是算子凸函数时
封闭公式
- 假设f满足(F):真、闭、算子凸,定义域[0,∞),且f(0)=0。
- 则Dfmax(ρ∥σ)=trσf(σ−1ρ~)+tr(ρ−ρ~)limε↓0εf(1/ε),其中ρ~为 Schur 补。
- 极小逆测试实现该最小值,且对所有满足(F)的f均最优。
典型示例
- KL 散度:fKL(λ)=λlogλ,得DfKLmax(ρ∥σ)=trρlog(ρ1/2σ−1ρ1/2)。
- Rényi 散度:fα(λ)=±λα(α∈[−1,1]∖{0}),得Dfαmax(ρ∥σ)=trσfα(σ−1ρ);并满足对偶性Dfαmax(ρ∥σ)=Df1−αmax(σ∥ρ)。
算子不等式版本
- 定义自伴算子gf(ρ,σ)=σf(σ−1/2ρσ−1/2)σ(当suppρ⊂suppσ),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,有Λ(gf(ρ,σ))≥gf(Λ(ρ),Λ(σ))。
- 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)是逆估计(reverse estimation)问题的解:inf∑xv(x)2/p(x),满足Γ(p)=ρ、Γ(v)=X。
- 当f(λ)=(1−λ)2时,Dfmax(ρ+εX∥ρ)的二阶导数在ε=0处等于f′′(1)JρR(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f满足(F)及谱测度条件(41),且Dfmax(ρ∥σ)<∞,则任意最优逆测试(Γ,{p,q})必与极小逆测试(Γ1,{p1,q1})本质等价:存在 CPTP 映射Γ0、Γ0−1,使得Γ=Γ1∘Γ0−1,Γ1=Γ∘Γ0,且Γ0−1是确定性的。
- 推论:{ρ,σ}与{σ,ρ}的极小逆测试相同。
可逆逆测试与对易性
- 若存在测量M使得Dfmax(ρ∥σ)=Df(PρM∥PσM),则ρ与σ必对易(当f算子凸)。
- 反例:当f(λ)=∣1−λ∣(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∣为纯态(秩 1),则Dfmax(ρ∥σ)=⟨ψ∣ρ∣ψ⟩f(⟨ψ∣σ∣ψ⟩⟨ψ∣ρ∣ψ⟩)+tr(ρ−ρ~)limε↓0εf(1/ε),其中ρ~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也为纯态,则Dfmax(ρ∥σ)=∥ψ∥2f(0)+∥ϕ∥2limε↓0εf(1/ε)。
总变差距离(f(λ)=∣1−λ∣)
基本设定与一般公式
- 经典总变差距离:D∣1−λ∣(p∥q)=∥p−q∥1。
- 标准量子版本:∥ρ−σ∥1=supM∥PρM−PσM∥1,是满足(D1’)与(D2)的最小量子版本。
- 本文中D∣1−λ∣max(ρ∥σ)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使得D∣1−λ∣max(ρ∥σ)>supM∥PρM−PσM∥1,即“嵌入量子态不损失总变差”。
- 特殊情形恒等:若ρσ+σρ≥0或两态足够接近,则D∣1−λ∣max(ρ∥σ)=∥ρ−σ∥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。