量子貝葉斯網(wǎng)絡(luò)：基于線性邏輯的組合性與類型化

量子貝葉斯網(wǎng)絡(luò)：基于線性邏輯的組合性與類型化

Quantum Bayesian Networks:Compositionality and Typing via Linear Logic

https://arxiv.org/pdf/2604.26059

本文旨在解決量子貝葉斯網(wǎng)絡(luò)（Quantum Bayesian Networks, QBNs）當(dāng)前面臨的核心難題——缺乏組合性（Compositionality）和模塊化（Modularity）?，F(xiàn)有的基于量子儀器（Quantum Instruments）的定義通常是全局性的，無法像經(jīng)典貝葉斯網(wǎng)絡(luò)那樣通過子組件的語義組合來推導(dǎo)整體語義，這阻礙了高效的模塊化推理。

本文的重點和主要貢獻(xiàn)如下：

1. 引入量子因子（Q-factors）框架

• 作者提出了一種名為Q-factors的新數(shù)學(xué)抽象，用于統(tǒng)一處理經(jīng)典概率分布和量子態(tài)/操作。
• 解決組合性缺失：Q-factors 在乘積（product）和求和消除（sum-out/marginalization）運算下是封閉的。這意味著可以像經(jīng)典貝葉斯網(wǎng)絡(luò)一樣，通過局部計算（組合子部分并隱藏?zé)o關(guān)變量）來推導(dǎo)邊緣分布，而無需計算龐大的全局聯(lián)合分布。
• 兼容性：該框架具有廣泛的兼容性。當(dāng)所有變量為經(jīng)典時，它完全重合于標(biāo)準(zhǔn)的基于因子的貝葉斯網(wǎng)絡(luò)語義；當(dāng)涉及純量子系統(tǒng)時，其行為類似于張量網(wǎng)絡(luò)。

• 協(xié)調(diào)經(jīng)典與量子的沖突

• 文章解決了一個關(guān)鍵的技術(shù)挑戰(zhàn)：如何協(xié)調(diào)經(jīng)典變量（可以高效共享值）與量子數(shù)據(jù)（受不可克隆定理限制，不可復(fù)制）在同一個模型中的共存。Q-factors 的設(shè)計巧妙地容納了這兩種截然不同的行為模式。

• 基于線性邏輯的類型化（Typing via Linear Logic）

• 為了確保獨立定義的組件在組合時是“良構(gòu)”的（例如避免產(chǎn)生有向環(huán)路），作者引入了類型系統(tǒng)。
• 利用**乘法線性邏輯（Multiplicative Linear Logic, MLL）的證明網(wǎng)（Proof-nets）**作為圖形形式主義的基礎(chǔ)。線性邏輯非常適合量子計算，因為它天然地處理資源的線性消耗（對應(yīng)量子不可克隆性）。
• 通過類型化，框架靜態(tài)地保證了語義屬性（如終止性、一致性），確保了系統(tǒng)組合的正確性。

總結(jié)： 本文通過引入 Q-factors 和基于線性邏輯的類型系統(tǒng)，為量子貝葉斯網(wǎng)絡(luò)建立了一套嚴(yán)謹(jǐn)?shù)?strong>組合語義。這使得 QBNs 具備了經(jīng)典 BNs 的模塊化優(yōu)勢，允許對復(fù)雜量子系統(tǒng)進(jìn)行分層構(gòu)建和獨立分析，并為在量子因果模型中應(yīng)用成熟的經(jīng)典推理算法鋪平了道路。

摘要

量子貝葉斯網(wǎng)絡(luò) [10] 提供了一種數(shù)學(xué)形式化方法，用于描述因果關(guān)系、分析相關(guān)性，并預(yù)測涉及經(jīng)典和量子數(shù)據(jù)的系統(tǒng)中測量結(jié)果的概率。它們推廣了 Pearl 的貝葉斯網(wǎng)絡(luò) [18]——即用于經(jīng)典概率推理和推斷的著名圖模型。

我們的論文將組合原則（compositional principles）和類型規(guī)范（typing discipline）引入了這一設(shè)定。我們組合語義的一個關(guān)鍵特征是，當(dāng)所有原因都是經(jīng)典的時候，它與貝葉斯網(wǎng)絡(luò)的標(biāo)準(zhǔn)基于因子的語義相吻合；而在純量子情況下，它簡化為張量網(wǎng)絡(luò)。隨后，我們提出了一種基于線性邏輯證明網(wǎng)（linear logic proof-nets）的類型化形式化方法，其中類型確保了系統(tǒng)的良性組合。

2012 ACM 學(xué)科分類計算數(shù)學(xué) → → 貝葉斯網(wǎng)絡(luò)；計算理論 → → 量子計算理論；計算理論 → → 線性邏輯

關(guān)鍵詞和短語量子貝葉斯網(wǎng)絡(luò)，量子因果模型，貝葉斯網(wǎng)絡(luò)，證明網(wǎng)，線性邏輯

1 引言

Pearl 的貝葉斯網(wǎng)絡(luò) [17, 18] 提供了一個在不確定性和部分知識條件下進(jìn)行推理的框架，其應(yīng)用范圍廣泛，涵蓋從統(tǒng)計學(xué)到流行病學(xué)、經(jīng)濟學(xué)和計算機科學(xué)。貝葉斯網(wǎng)絡(luò) (BNs) 具有雙重性質(zhì)，既作為經(jīng)典概率推理和推斷的概率圖模型，又作為因果模型，精確了觀測數(shù)據(jù)與因果關(guān)系之間的聯(lián)系。當(dāng)對量子系統(tǒng)進(jìn)行推理時，經(jīng)典框架不夠通用，無法解釋貝爾實驗中觀察到的糾纏和非局域相關(guān)性。量子因果模型的發(fā)展（參見 例如 [1] 及其中參考文獻(xiàn)）是量子信息和量子理論基礎(chǔ)領(lǐng)域的一個活躍研究方向，沿著各種軸線推進(jìn)，其動機涵蓋了從基礎(chǔ)問題和非局域性，到實現(xiàn)設(shè)備無關(guān)的加密協(xié)議，再到促進(jìn)數(shù)據(jù)驅(qū)動的發(fā)現(xiàn)。

在本文中，我們要關(guān)注的是量子貝葉斯網(wǎng)絡(luò)，這是由 Henson, Lal, 和 Pusey [10] 在基礎(chǔ)性工作中引入的 Pearl 網(wǎng)絡(luò)的直接推廣。它們提供了一個數(shù)學(xué)框架來描述因果關(guān)系、分析相關(guān)性，并預(yù)測涉及經(jīng)典和量子數(shù)據(jù)的系統(tǒng)中測量結(jié)果的概率。該形式化建立在 Leifer 和 Spekkens [15] 的先前工作之上，其視角是將量子理論視為一種推理理論。量子理論確實在其核心本質(zhì)上是概率性的，因為它關(guān)注的是預(yù)測物理系統(tǒng)上測量結(jié)果的概率。從這個意義上說，預(yù)測任務(wù)可以被視為一個涉及經(jīng)典和量子數(shù)據(jù)的模型的概率推理問題，如例 1 所示。概率推理隨后提供了數(shù)學(xué)和邏輯工具來理解、預(yù)測和控制量子現(xiàn)象，這對于理論理解和量子技術(shù)都至關(guān)重要。

貝葉斯網(wǎng)絡(luò)。在 BNs 的框架中，因果結(jié)構(gòu)由一個有向無環(huán)圖 (DAG) 編碼，其中節(jié)點代表隨機變量，邊表達(dá)條件依賴關(guān)系。依賴關(guān)系的強度（或知識的程度）由條件概率表量化。該結(jié)構(gòu)使得大型概率分布的緊湊表示成為可能，并通過因子分解實現(xiàn)邊緣概率或條件概率的高效推斷。BNs 的優(yōu)勢在于提供高效的推斷算法（包括精確的和近似的），這些算法可以在不顯式構(gòu)建完整底層分布的情況下回答關(guān)于該分布的查詢。

關(guān)鍵在于，DAG 既包含感興趣的可觀測變量，也包含隱藏（未觀測）變量；我們采用通用的慣例，用陰影節(jié)點表示經(jīng)典隱藏變量。在量子設(shè)置中——正如在貝爾定理中一樣——隱藏變量起著核心作用，并且它們可能對應(yīng)于量子系統(tǒng)。

語義與推理。貝葉斯網(wǎng)絡(luò)的語義是它所定義的概率分布。更準(zhǔn)確地說，人們尋求的是關(guān)于感興趣變量的邊緣分布。精確推理精確地計算它。這涉及兩個關(guān)鍵操作：乘積（組合）+ 求和消除（隱藏）無關(guān)變量。 推理的形式化和理論依賴于一類被稱為因子（factors，見 2.1 節(jié)）的函數(shù)，這是條件概率分布的一種抽象?？商幚硇院托室蕾囉谒鼈兊男再|(zhì)，具體在于兩個關(guān)鍵方面：1. 因子的乘積本質(zhì)上共享變量，以及 2. 在適當(dāng)條件下乘積和求和是可分配的——將求和推向小組件可以減少計算量。

量子貝葉斯網(wǎng)絡(luò)，問題。量子貝葉斯網(wǎng)絡(luò)仍然是一個新興領(lǐng)域，不如它們的經(jīng)典對應(yīng)物那樣發(fā)達(dá)。一個關(guān)鍵缺失的特征是能夠通過中間的、部分的計算來計算模型的語義（所需的邊緣分布），而無需計算完整的聯(lián)合分布。換句話說，缺乏的是組合性（compositionality），這將使得能夠?qū)⑵渥硬糠值暮瘮?shù)作為模型的指稱（denotation）進(jìn)行計算，并結(jié)合模塊化推理。一個密切相關(guān)的問題涉及模塊化（modularity）：何時可以將作為子部分的系統(tǒng)的因果描述用于構(gòu)建更大的模型？確保模塊化的一個既定工具是類型（types），它為系統(tǒng)的組件指定精確的契約（例如輸入/輸出行為）。

本文的目標(biāo)是雙重的。

• 通過引入指稱語義和證明論的方法和概念，解決量子貝葉斯網(wǎng)絡(luò)背景下組合性和模塊化的缺乏，從而實現(xiàn)組合原則和類型規(guī)范（typing discipline）。
• 開發(fā)一個與貝葉斯網(wǎng)絡(luò)和貝葉斯推理完全兼容的框架，從而為在該背景下開發(fā)的技術(shù)的應(yīng)用鋪平道路。

組合性和模塊化促進(jìn)了關(guān)于復(fù)雜系統(tǒng)及其屬性的推理，確保系統(tǒng)的含義可以以系統(tǒng)化和有原則的方式從其部分的含義中推導(dǎo)出來，并允許組件被獨立地分析和替換。組合性還使得關(guān)于推理的模塊化推理成為可能。類型作為系統(tǒng)行為的抽象特征，約束并指導(dǎo)它們的形成。類型規(guī)范靜態(tài)地保證語義屬性，如終止性、一致性和組合正確性。良類型的程序表現(xiàn)出良好的執(zhí)行行為，并在整個求值過程中保持定量（例如，概率）不變量。涵蓋貝葉斯網(wǎng)絡(luò)（BNs）的語義。如在例 1（貝爾設(shè)置）中所見，即使對于涉及量子因果源的系統(tǒng)，也只能觀察到測量的經(jīng)典結(jié)果。因此，模型最終定義的是關(guān)于經(jīng)典變量的概率分布——例如公式（1）。從推理的角度來看，擁有一個能夠（在相關(guān)時）啟用為貝葉斯網(wǎng)絡(luò)開發(fā)的大量推理技術(shù)和算法的框架是可取的。為了使這成為可能，我們的語義集成了一個對精確推理算法至關(guān)重要的概念，即因子（factor），我們在 2.1 節(jié)中討論它。

貢獻(xiàn)與挑戰(zhàn)。我們的第一個貢獻(xiàn)是開發(fā)一種組合語義（compositional semantics），它允許對組件進(jìn)行解釋和模塊化組合。我們改編了 Selinger 在 [19] 中的語義，以考慮貝葉斯網(wǎng)絡(luò)的基于因子的方法。主要的技術(shù)挑戰(zhàn)是協(xié)調(diào)兩種非常不同的行為：

• 經(jīng)典變量共享它們的值，而且是以一種高效的方式：BNs 底層的數(shù)學(xué)設(shè)置將這一特性整合到因子乘積的定義中，并利用它來獲得緊湊的表示和高效的計算。
• 量子數(shù)據(jù)不能被共享：量子計算的一個定義特征是不可克隆定理（No-Cloning Theorem），意味著量子比特不能被復(fù)制或廣播給多個接收者。

我們通過在第 3 節(jié)引入Q-factors（量子因子）來滿足這兩個要求。該節(jié)中的數(shù)學(xué)發(fā)展是我們主要且最具技術(shù)性的結(jié)果。值得注意的是，當(dāng)所有原因都是經(jīng)典的時，我們的框架與標(biāo)準(zhǔn)的基于因子的貝葉斯網(wǎng)絡(luò)語義完全重合，而在純量子情況下，它的行為像張量網(wǎng)絡(luò)。在第 4 節(jié)中，我們依靠 Q-factors 重新公式化量子貝葉斯網(wǎng)絡(luò)（QBNs）的定義。我們的基于因子的形式主義等價于 [10] 中的那個，然而我們的語義通過子組件實現(xiàn)了組合解釋，這與原始定義不同（見 [10, page 12]），正如我們將在 2.3 節(jié)討論的那樣。實現(xiàn)組合性的一個關(guān)鍵方面是 Q-factors 在乘積和求和消除（即未觀測變量的邊緣化）下是封閉的。最后，在第 5 節(jié)中，我們探索一種基于線性邏輯證明網(wǎng)（proof-nets）的類型化圖形形式主義（typed graphical formalism），其中類型確保系統(tǒng)的良好組合行為。

動機示例：組合性與模塊化

兩個例子可以說明組合性和模塊化的期望和問題。

2 預(yù)備知識

我們回顧一些關(guān)于貝葉斯網(wǎng)絡(luò)和量子計算的基礎(chǔ)知識，分別參考 [4]（簡明介紹見 [3]）以及 [16, 22] 以供進(jìn)一步閱讀。

2.1 經(jīng)典數(shù)據(jù)與貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò) (BNs) [18] 是概率圖模型。貝葉斯模型提供了一種在不確定性或部分知識條件下進(jìn)行推理的形式化方法：給定一個被研究的系統(tǒng)，某個特定特征處于特定狀態(tài)的可能性（likely）有多大？系統(tǒng)的每個特征都由一個隨機變量表示。為了建模的目的，每個隨機變量可以被視為一個原子命題的名稱（例如“下雨”），它從一組狀態(tài)中取值（例如 { t , f }。整個系統(tǒng)被建模為感興趣變量上的 聯(lián)合概率分布；樣本空間中的每個元素代表一個可能的狀態(tài)。

因子的乘積與求和。

2.2 量子數(shù)據(jù)

2.3 量子貝葉斯網(wǎng)絡(luò)（基于儀器）

量子儀器的概念對于文獻(xiàn) [10] 中貝葉斯網(wǎng)絡(luò)的推廣處于核心地位。那里的因果結(jié)構(gòu)由一個有向無環(huán)圖（DAG，如圖 1 所示）描述；為了納入因果關(guān)系的量子來源，節(jié)點集合通過新的未觀測節(jié)點進(jìn)行了擴展，這些節(jié)點對應(yīng)于量子系統(tǒng)。與廣義 DAG 的每個節(jié)點相關(guān)聯(lián)的是一族量子儀器，而不是條件概率表（CPT），正如我們在例 9 中所說明的那樣。

?備注 8。在貝葉斯網(wǎng)絡(luò)（BN）中，與節(jié)點關(guān)聯(lián)的是一個 CPT，即一族以經(jīng)典值為索引的概率分布。直觀地說，正如量子儀器是對概率分布的推廣，因此，以經(jīng)典值為索引的一族量子儀器也是對 CPT 的推廣。

3 Quantum Factors

。。。。。。。。

原文鏈接：https://arxiv.org/pdf/2604.26059