on causal explana ons of quantum correla ons
play

On Causal Explana,ons of Quantum Correla,ons Robert - PowerPoint PPT Presentation

On Causal Explana,ons of Quantum Correla,ons Robert Spekkens Perimeter Ins,tute UAI 2014 Quebec City Quantum Causal Inference


  1. On ¡Causal ¡Explana,ons ¡of ¡ ¡ Quantum ¡Correla,ons ¡ Robert ¡Spekkens ¡ Perimeter ¡Ins,tute ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ UAI ¡2014 ¡ Quebec ¡City ¡

  2. Quantum ¡ Causal ¡Inference ¡ Founda,ons ¡ ¡ ¡

  3. Operational characterization of Quantum Theory Outcome ¡ Prepara,on ¡ ¡ Measurement ¡ ¡ The ¡probability ¡of ¡outcome ¡ a ¡given ¡ measurement ¡M ¡and ¡prepara,on ¡P ¡

  4. Operational characterization of Quantum Theory Outcome ¡ Prepara,on ¡ ¡ Measurement ¡ ¡ Vector in Hilbert space Hermitian operator Eigenvectors

  5. Limit on joint measurability A set of Hermitian operators can only be jointly measured if they commute relative to the matrix commutator.

  6. Collapse ¡rule ¡

  7. Collapse ¡rule ¡

  8. Collapse ¡rule ¡ “Objec,ve ¡ Randomness!” ¡

  9. Einstein-­‑Podolsky-­‑Rosen ¡experiment ¡ collapses ¡to ¡

  10. Einstein-­‑Podolsky-­‑Rosen ¡experiment ¡

  11. Einstein-­‑Podolsky-­‑Rosen ¡experiment ¡ collapses ¡to ¡ “Spooky ¡ac,on ¡at ¡ a ¡distance” ¡

  12. Sta,s,cal ¡theory ¡of ¡classical ¡mechanics ¡with ¡an ¡epistemic ¡restric,on ¡ A set of variables can only be jointly known if they commute relative to the Poisson bracket. q q

  13. Einstein-­‑Podolsky-­‑Rosen ¡experiment ¡ q

  14. Einstein-­‑Podolsky-­‑Rosen ¡experiment ¡ q q

  15. Einstein-­‑Podolsky-­‑Rosen ¡experiment ¡ q q

  16. Einstein-­‑Podolsky-­‑Rosen ¡experiment ¡ q q

  17. Einstein-­‑Podolsky-­‑Rosen ¡experiment ¡ q q

  18. Collapse ¡Rule ¡ But ¡this ¡would ¡violate ¡the ¡ epistemic ¡restric,on! ¡ q q

  19. Collapse ¡Rule ¡ But ¡this ¡would ¡violate ¡the ¡ epistemic ¡restric,on! ¡ q q

  20. Collapse ¡Rule ¡ q q

  21. Collapse ¡Rule ¡ q q q

  22. Collapse ¡Rule ¡ q q q

  23. “But ¡our ¡present ¡quantum ¡mechanical ¡ formalism ¡is ¡not ¡purely ¡epistemological; ¡it ¡is ¡ a ¡peculiar ¡mixture ¡describing ¡in ¡part ¡reali,es ¡ of ¡Nature, ¡in ¡part ¡incomplete ¡human ¡ informa,on ¡about ¡Nature ¡-­‑-­‑-­‑ ¡all ¡scrambled ¡up ¡ by ¡Heisenberg ¡and ¡Bohr ¡into ¡an ¡omeleXe ¡ that ¡nobody ¡has ¡seen ¡how ¡to ¡unscramble.” ¡ E.T. ¡Jaynes ¡

  24. Simpson’s ¡Paradox ¡ recovery ¡ treatment ¡ gender ¡ P(recovery ¡| ¡do ¡(treatment)) ¡ ¡ ¡≠ ¡ ¡P(recovery ¡| ¡observe ¡(treatment) ¡) ¡ Influence ¡ inference ¡

  25. Brief ¡review ¡of ¡causal ¡inference ¡algorithms ¡ ¡ J. ¡Pearl, ¡Causality: ¡Models, ¡Reasoning ¡and ¡Inference ¡ P. ¡Spirtes, ¡C. ¡Glymour, ¡R. ¡Scheines, ¡Causa,on, ¡Predic,on ¡and ¡Search ¡

  26. Func,onal ¡causal ¡model ¡ Causal ¡ ¡ Parameters ¡ Structure ¡ W ¡ Y ¡ X ¡ S ¡ T ¡

  27. Reichenbach’s ¡principle ¡ If ¡X ¡and ¡Y ¡are ¡dependent, ¡then ¡ ¸ or ¡ or ¡ X ¡ Y ¡ X ¡ Y ¡ Y ¡ X ¡ ¸ ¸ or ¡ or ¡ Y ¡ Y ¡ X ¡ X ¡

  28. Func,onal ¡causal ¡model ¡ Causal ¡ ¡ Parameters ¡ Structure ¡ W Y X S T • Parentless ¡variables ¡are ¡independently ¡distributed ¡

  29. Causal ¡model ¡ Causal ¡ ¡ Parameters ¡ Structure ¡ W Y X S T

  30. Causal ¡model ¡ Causal ¡ ¡ Parameters ¡ Structure ¡ W Y X S T

  31. Causal ¡model ¡ Causal ¡ ¡ Parameters ¡ Structure ¡ W Y X S T Causal ¡inference ¡algorithms ¡seek ¡to ¡solve ¡the ¡inverse ¡problem ¡

  32. Inferring ¡facts ¡about ¡the ¡causal ¡structure ¡from ¡ the ¡condi,onal ¡independences ¡

  33. Faithfulness ¡(No ¡fine-­‑tuning) ¡ ¡ A ¡causal ¡model ¡of ¡an ¡observed ¡distribu,on ¡is ¡fine-­‑tuned ¡if ¡the ¡ condi,onal ¡independences ¡in ¡the ¡distribu,on ¡only ¡hold ¡for ¡a ¡ set ¡of ¡measure ¡zero ¡of ¡the ¡values ¡of ¡the ¡parameters ¡in ¡the ¡ model ¡

  34. Inferring ¡facts ¡about ¡the ¡causal ¡structure ¡from ¡ the ¡strength ¡of ¡correla,ons ¡

  35. Strength of Correlations Z ¡ µ ¸ X ¡ Y ¡ º Z ¡ ¸ X ¡ Y ¡

  36. Strength of Correlations Z ¡ µ ¸ X ¡ Y ¡ º Z ¡ ¸ X ¡ Y ¡ Janzing ¡and ¡Beth, ¡IJQI ¡4, ¡347 ¡(2006) ¡ Steudel ¡and ¡Ay, ¡arXiv:1010:5720 ¡ Fritz, ¡New ¡J. ¡Phys. ¡14, ¡103001 ¡(2012) ¡ ¡ Branciard, ¡Rosset, ¡Gisin, ¡Pironio, ¡PRA ¡85, ¡3 ¡(2012) ¡

  37. Strength of Correlations Z ¡ µ ¸ X ¡ Y ¡ º Z ¡ ¸ X ¡ Y ¡ Joint ¡work ¡with ¡MaX ¡Pusey, ¡Tobias ¡Fritz, ¡and ¡Wah ¡Loon ¡Keng ¡

  38. A ¡deficiency ¡of ¡many ¡causal ¡inference ¡algorithms ¡ Certain ¡versions ¡of ¡Occam’s ¡razor ¡lead ¡to ¡incorrect ¡causal ¡conclusions ¡ E.g. ¡T. ¡S. ¡Verma, ¡Technical ¡Report ¡R-­‑191, ¡Univ. ¡of ¡California ¡(1993). ¡ Set ¡of ¡CI ¡rela,ons ¡among ¡X, ¡Y, ¡Z ¡is ¡the ¡empty ¡set ¡ Z ¡ Z ¡ ¸ µ ¸ X ¡ Y ¡ X ¡ Y ¡ º Set ¡of ¡faithful ¡ Set ¡of ¡faithful ¡causal ¡ causal ¡models ¡for ¡ models ¡for ¡the ¡given ¡ the ¡given ¡set ¡of ¡CI ¡ probability ¡distribu,on ¡ rela,ons ¡on ¡ over ¡the ¡observed ¡ observed ¡ variables ¡ variables ¡ * ¡ * ¡

  39. What ¡are ¡the ¡causal ¡structures ¡for ¡which ¡CI ¡rela,ons ¡do ¡not ¡ capture ¡all ¡the ¡constraints ¡on ¡the ¡observed ¡distribu,on? ¡ ¡ A ¡sufficient ¡condi,on ¡was ¡found ¡in: ¡ ¡ Henson, ¡Lal, ¡Pusey, ¡arXiv:1405.2572 ¡ 5 ¡nodes ¡ 4 ¡nodes ¡

  40. 6 ¡nodes ¡

  41. Can ¡we ¡find ¡a ¡causal ¡explana,on ¡of ¡ ¡ quantum ¡correla,ons? ¡ ¡ Chris ¡Wood ¡and ¡RWS, ¡arXiv:1208.4119 ¡

  42. A B X Y E ¡ What ¡P(A,B,X,Y) ¡is ¡observed? ¡

  43. A B X Y E

  44. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B ? X Y

  45. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B ? X Y ¸

  46. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B X Y ¸

  47. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B ? X Y ¸

  48. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B ? X Y ¸

  49. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B X Y ¸

  50. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B ? X Y µ ¸

  51. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B X Y µ ¸

  52. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B ? X Y ¸

  53. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B X Y ¸

  54. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E A B ? X Y

  55. A B ( X � Y ), ¡( A � Y | X ), ( B � X | Y ) ¡ X Y E Nothing works!

  56. • Reichenbach’s ¡principle ¡ • No ¡fine-­‑tuning ¡ Contradic,on ¡with ¡

  57. • Reichenbach’s ¡principle ¡ • No ¡fine-­‑tuning ¡ Contradic,on ¡with ¡quantum ¡theory ¡and ¡experiment ¡

  58. • Reichenbach’s ¡principle ¡ • No ¡fine-­‑tuning ¡ ¡ • In ¡the ¡causal ¡model, ¡unobserved ¡nodes ¡are ¡ described ¡by ¡classical ¡variables ¡and ¡our ¡knowledge ¡ of ¡these ¡is ¡described ¡by ¡classical ¡probability ¡theory ¡ Contradic,on ¡with ¡quantum ¡theory ¡and ¡experiment ¡

  59. Quantum ¡Causal ¡Models ¡ A B A B X Y X Y ¸ Can ¡reproduce ¡the ¡ Cannot ¡reproduce ¡the ¡ quantum ¡correla,ons ¡ quantum ¡correla,ons ¡ See: ¡Leifer ¡and ¡RWS, ¡ ¡ Phys. ¡Rev. ¡A ¡88, ¡052130 ¡(2013) ¡

  60. Quantum ¡condi,onal ¡independence ¡ Denote ¡this ¡ Actually, it is only this simple in special cases!

Recommend


More recommend