量子貝葉斯網絡：基于線性邏輯的組合性與類型化

量子貝葉斯網絡：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絡（Quantum Bayesian Networks, QBNs）當前面臨的核心難題——缺乏組合性（Compositionality）和模塊化（Modularity）。現有的基于量子儀器（Quantum Instruments）的定義通常是全局性的，無法像經典貝葉斯網絡那樣通過子組件的語義組合來推導整體語義，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的新數學抽象，用于統一處理經典概率分布和量子態/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。這意味著可以像經典貝葉斯網絡一樣，通過局部計算（組合子部分并隱藏無關變量）來推導邊緣分布，而無需計算龐大的全局聯合分布。
• 兼容性：該框架具有廣泛的兼容性。當所有變量為經典時，它完全重合于標準的基于因子的貝葉斯網絡語義；當涉及純量子系統時，其行為類似于張量網絡。

• 協調經典與量子的沖突

• 文章解決了一個關鍵的技術挑戰：如何協調經典變量（可以高效共享值）與量子數據（受不可克隆定理限制，不可復制）在同一個模型中的共存。Q-factors 的設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”的（例如避免產生有向環路），作者引入了類型系統。
• 利用**乘法線性邏輯（Multiplicative Linear Logic, MLL）的證明網（Proof-nets）**作為圖形形式主義的基礎。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（對應量子不可克隆性）。
• 通過類型化，框架靜態地保證了語義屬性（如終止性、一致性），確保了系統組合的正確性。

總結： 本文通過引入 Q-factors 和基于線性邏輯的類型系統，為量子貝葉斯網絡建立了一套嚴謹的組合語義。這使得 QBNs 具備了經典 BNs 的模塊化優勢，允許對復雜量子系統進行分層構建和獨立分析，并為在量子因果模型中應用成熟的經典推理算法鋪平了道路。

摘要

量子貝葉斯網絡 [10] 提供了一種數學形式化方法，用于描述因果關系、分析相關性，并預測涉及經典和量子數據的系統中測量結果的概率。它們推廣了 Pearl 的貝葉斯網絡 [18]——即用于經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）和類型規范（typing discipline）引入了這一設定。我們組合語義的一個關鍵特征是，當所有原因都是經典的時候，它與貝葉斯網絡的標準基于因子的語義相吻合；而在純量子情況下，它簡化為張量網絡。隨后，我們提出了一種基于線性邏輯證明網（linear logic proof-nets）的類型化形式化方法，其中類型確保了系統的良性組合。

2012 ACM 學科分類計算數學 → → 貝葉斯網絡；計算理論 → → 量子計算理論；計算理論 → → 線性邏輯

關鍵詞和短語量子貝葉斯網絡，量子因果模型，貝葉斯網絡，證明網，線性邏輯

1 引言

Pearl 的貝葉斯網絡 [17, 18] 提供了一個在不確定性和部分知識條件下進行推理的框架，其應用范圍廣泛，涵蓋從統計學到流行病學、經濟學和計算機科學。貝葉斯網絡 (BNs) 具有雙重性質，既作為經典概率推理和推斷的概率圖模型，又作為因果模型，精確了觀測數據與因果關系之間的聯系。當對量子系統進行推理時，經典框架不夠通用，無法解釋貝爾實驗中觀察到的糾纏和非局域相關性。量子因果模型的發展（參見 例如 [1] 及其中參考文獻）是量子信息和量子理論基礎領域的一個活躍研究方向，沿著各種軸線推進，其動機涵蓋了從基礎問題和非局域性，到實現設備無關的加密協議，再到促進數據驅動的發現。

在本文中，我們要關注的是量子貝葉斯網絡，這是由 Henson, Lal, 和 Pusey [10] 在基礎性工作中引入的 Pearl 網絡的直接推廣。它們提供了一個數學框架來描述因果關系、分析相關性，并預測涉及經典和量子數據的系統中測量結果的概率。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上是概率性的，因為它關注的是預測物理系統上測量結果的概率。從這個意義上說，預測任務可以被視為一個涉及經典和量子數據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學和邏輯工具來理解、預測和控制量子現象，這對于理論理解和量子技術都至關重要。

貝葉斯網絡。在 BNs 的框架中，因果結構由一個有向無環圖 (DAG) 編碼，其中節點代表隨機變量，邊表達條件依賴關系。依賴關系的強度（或知識的程度）由條件概率表量化。該結構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邊緣概率或條件概率的高效推斷。BNs 的優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建完整底層分布的情況下回答關于該分布的查詢。

關鍵在于，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，用陰影節點表示經典隱藏變量。在量子設置中——正如在貝爾定理中一樣——隱藏變量起著核心作用，并且它們可能對應于量子系統。

語義與推理。貝葉斯網絡的語義是它所定義的概率分布。更準確地說，人們尋求的是關于感興趣變量的邊緣分布。精確推理精確地計算它。這涉及兩個關鍵操作：乘積（組合）+ 求和消除（隱藏）無關變量。 推理的形式化和理論依賴于一類被稱為因子（factors，見 2.1 節）的函數，這是條件概率分布的一種抽象。可處理性和效率依賴于它們的性質，具體在于兩個關鍵方面：1. 因子的乘積本質上共享變量，以及 2. 在適當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。

量子貝葉斯網絡，問題。量子貝葉斯網絡仍然是一個新興領域，不如它們的經典對應物那樣發達。一個關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合分布。換句話說，缺乏的是組合性（compositionality），這將使得能夠將其子部分的函數作為模型的指稱（denotation）進行計算，并結合模塊化推理。一個密切相關的問題涉及模塊化（modularity）：何時可以將作為子部分的系統的因果描述用于構建更大的模型？確保模塊化的一個既定工具是類型（types），它為系統的組件指定精確的契約（例如輸入/輸出行為）。

本文的目標是雙重的。

• 通過引入指稱語義和證明論的方法和概念，解決量子貝葉斯網絡背景下組合性和模塊化的缺乏，從而實現組合原則和類型規范（typing discipline）。
• 開發一個與貝葉斯網絡和貝葉斯推理完全兼容的框架，從而為在該背景下開發的技術的應用鋪平道路。

組合性和模塊化促進了關于復雜系統及其屬性的推理，確保系統的含義可以以系統化和有原則的方式從其部分的含義中推導出來，并允許組件被獨立地分析和替換。組合性還使得關于推理的模塊化推理成為可能。類型作為系統行為的抽象特征，約束并指導它們的形成。類型規范靜態地保證語義屬性，如終止性、一致性和組合正確性。良類型的程序表現出良好的執行行為，并在整個求值過程中保持定量（例如，概率）不變量。涵蓋貝葉斯網絡（BNs）的語義。如在例 1（貝爾設置）中所見，即使對于涉及量子因果源的系統，也只能觀察到測量的經典結果。因此，模型最終定義的是關于經典變量的概率分布——例如公式（1）。從推理的角度來看，擁有一個能夠（在相關時）啟用為貝葉斯網絡開發的大量推理技術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重要的概念，即因子（factor），我們在 2.1 節中討論它。

貢獻與挑戰。我們的第一個貢獻是開發一種組合語義（compositional semantics），它允許對組件進行解釋和模塊化組合。我們改編了 Selinger 在 [19] 中的語義，以考慮貝葉斯網絡的基于因子的方法。主要的技術挑戰是協調兩種非常不同的行為：

• 經典變量共享它們的值，而且是以一種高效的方式：BNs 底層的數學設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。
• 量子數據不能被共享：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制或廣播給多個接收者。

我們通過在第 3 節引入Q-factors（量子因子）來滿足這兩個要求。該節中的數學發展是我們主要且最具技術性的結果。值得注意的是，當所有原因都是經典的時，我們的框架與標準的基于因子的貝葉斯網絡語義完全重合，而在純量子情況下，它的行為像張量網絡。在第 4 節中，我們依靠 Q-factors 重新公式化量子貝葉斯網絡（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 節討論的那樣。實現組合性的一個關鍵方面是 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 節中，我們探索一種基于線性邏輯證明網（proof-nets）的類型化圖形形式主義（typed graphical formalism），其中類型確保系統的良好組合行為。

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 預備知識

我們回顧一些關于貝葉斯網絡和量子計算的基礎知識，分別參考 [4]（簡明介紹見 [3]）以及 [16, 22] 以供進一步閱讀。

2.1 經典數據與貝葉斯網絡

貝葉斯網絡 (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行推理的形式化方法：給定一個被研究的系統，某個特定特征處于特定狀態的可能性（likely）有多大？系統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”），它從一組狀態中取值（例如 { t , f }。整個系統被建模為感興趣變量上的 聯合概率分布；樣本空間中的每個元素代表一個可能的狀態。

因子的乘積與求和。

2.2 量子數據

2.3 量子貝葉斯網絡（基于儀器）

量子儀器的概念對于文獻 [10] 中貝葉斯網絡的推廣處于核心地位。那里的因果結構由一個有向無環圖（DAG，如圖 1 所示）描述；為了納入因果關系的量子來源，節點集合通過新的未觀測節點進行了擴展，這些節點對應于量子系統。與廣義 DAG 的每個節點相關聯的是一族量子儀器，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。在貝葉斯網絡（BN）中，與節點關聯的是一個 CPT，即一族以經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