セミナー紹介

全体概要

本セミナーは、Tai-Danae Bradleyによる2020年の論文「At the Interface of Algebra and Statistics」（https://arxiv.org/abs/2004.05631）を中心的な題材として、量子論における密度行列（Density Matrix / Density Operator）と、古典論的な確率論との深い同一性を明らかにすることを主テーマとしています [p.2]。

確率論と量子論は、長らく異なる数学的枠組みを持つ別個の体系として扱われてきました。しかしBradleyはこの論文において、量子の状態を記述するために導入された密度行列が、直接に確率として解釈できることを示し、古典的確率論から量子論的確率論への移行の筋道を鮮やかに描き出しました。本セミナーはその概要を丁寧に解説することを目的としています [p.2]。

議論の核心にあるのは「周辺確率」の概念です。古典的な確率論において、結合確率分布から周辺確率を計算する「周辺化（マージナリゼーション）」という操作は、元の結合確率が持つ相関の「記憶」を消去してしまいます。たとえばfruitの周辺確率2/3という数字には、fruitがorangeとgreenに半々で結びついているという情報は残りません [p.22]。ところが量子論的な枠組みでは、密度行列のPartial Trace（部分トレース）という操作が「量子論的周辺化」に対応し、得られた「還元された密度行列」は結合確率の「記憶」を保持し続けます [p.3]。この非対角成分に潜む情報こそが、量子論的確率が古典的確率を真に超える部分です [p.36], [p.37]。

セミナーは三つのパートで構成されます。Part 1では具体例を通じて古典的確率と量子的確率の違いを直観的に把握し、Part 2ではBra-Ket記法とテンソルネットワーク記法という二つの強力な記述ツールを整備し、Part 3でいよいよ密度演算子の定義・確率との同一性・Partial Traceの量子論的意味・Schmidt分解と還元密度行列のテンソルネットワーク表示という数学的本論を展開します [p.4], [p.5]。本資料はさらに、ことばの意味を密度行列で表現する「意味の分散表現論」への展望も示しており、量子論的確率論がマクロな世界においても機能しうる可能性を示唆しています [p.156], [p.157]。

---

講義のロードマップ

■ Part 1: 結合確率と周辺確率

• この部の核心:

古典的確率論における結合確率・周辺確率の概念を具体例で整理した上で、「周辺確率は記憶を持たない」という古典論の本質的限界を示します。その後、確率の平方根を行列エントリに持つ新しい表現行列Mを導入することで、行列積M†MやMM†の対角成分が周辺確率を与えつつ、非対角成分と固有ベクトルに元の結合確率の情報が保持されるという「量子論的周辺化」の萌芽を具体計算で示します [p.9], [p.25], [p.36]。

• 論理展開:
• 有限集合S上の確率分布π(s)の定義、コイン投げ・サイコロ・学校の男女分布などの基本例を確認します [p.11], [p.12]。
• X×Y上の結合確率分布と周辺確率分布の定義を導入し、小学校の学年・男女別在籍数の例（例2: orange/green/purple × fruit/vegetable）で具体的に計算します [p.14], [p.19]。
• 周辺確率は元の結合確率の情報（「fruitの半分はorangeでgreenが残り半分」等）を失うことを確認し、「周辺確率は記憶を持たない」という古典論の限界を明示します [p.22]。
• 確率の平方根を要素に持つ行列Mを導入し、M†MとMM†の対角成分が古典的周辺確率πX・πYに一致することを計算で確認します。さらにM†Mの固有ベクトルが「fruit→orange/green各1/2」「vegetable→purple 1」という条件付き確率情報を復元することを示します [p.25], [p.30], [p.34], [p.44], [p.45]。

---

■ Part 2-1: Bra-Ket記法

• この部の核心:

量子論の標準記法であるBra-Ket記法を有限次元ヒルベルト空間の枠組みで整備します。ベクトル（ket |v⟩）・コベクトル（bra ⟨v|）・テンソル積・内積・線型写像・直交射影演算子の相互関係を明確にし、Part 3の数学的議論の基盤とします [p.52], [p.57]。

• 論理展開:
• 有限集合S上のベクトル空間V=C^Sと内積、計算基底|s⟩の定義を整備します [p.52], [p.53]。
• bra ⟨v|∈V*の定義とV≅V*という対応、テンソル積V⊗WおよびV⊗W*の要素|w⟩⟨v|が線型写像に対応することを示します [p.55], [p.57], [p.59]。
• tr(|v'⟩⟨v|)=⟨v|v'⟩という重要な関係と、|vw⟩⟨v'w'|=|v⟩⟨v'|⊗|w⟩⟨w'|というテンソル積の外積分解を証明します [p.61], [p.62], [p.63]。

---

■ Part 2-2: テンソルネットワークの基礎

• この部の核心:

テンソルネットワーク記法（ノードとエッジによる図形表現）を導入し、複雑な線型代数の操作を視覚的に追跡できるようにします。等長埋め込み・ユニタリ演算子・SVD・Partial Traceなどの操作が図形操作として直感的に把握できることを示します [p.67], [p.74]。

• 論理展開:
• ノードの形（対称・非対称・双対）に意味を持たせた記法を導入し、対称行列Mと等長埋め込みUの図形表現を定義します [p.69], [p.70]。
• テンソル積の平行積み上げ表現と、分解可能なベクトル・線型写像の並列表示、Tensor Train（Matrix Product Space）の概念を整備します [p.78], [p.80], [p.82], [p.84]。
• traceのループ表示によりtr(NM)=tr(MN)が図形的に自明となること、SVDのノード分解表現を示します [p.76], [p.74]。

---

■ Part 3-1: 古典的確率分布の一般化 ― Density Operator

• この部の核心:

密度演算子（Density Operator）を「エルミート性・半正定値性・トレース=1」という三条件で定義し、これが古典的確率分布の「実数値・非負・和=1」という三条件の量子論的一般化であることを示します [p.89], [p.97]。

• 論理展開:
• エルミート行列の固有値は実数であること、半正定値行列の固有値は非負であること、traceが固有値の和であることを順に示します [p.90], [p.91], [p.92], [p.93], [p.94]。
• 古典的確率分布の条件（実数値・非負・和1）と密度演算子の条件（実数固有値・非負固有値・固有値の和1）が対応することを表として明示します [p.97]。

---

■ Part 3-2: 古典論的確率と量子論的確率の基本的同一性

• この部の核心:

「全ての密度演算子はBorn RuleによりS上の確率分布を定義する（量子→古典）」「全てのS上の確率分布はC^S上の密度演算子を定義する（古典→量子）」という双方向の同一性を証明します [p.99], [p.100], [p.101]。

• 論理展開:
• Born Rule π_ρ(s)=⟨s|ρ|s⟩によって密度演算子から確率分布が定まることを示します [p.100]。
• 逆方向として、対角密度演算子ρ_diag:=Σπ(s)|s⟩⟨s|と直交射影密度演算子ρ_π:=|ψ⟩⟨ψ|（ただし|ψ⟩=Σ√π(s)|s⟩）という二種類の構成を示し、いずれもdensity operatorの三条件を満たし、π_ρ(s)=π(s)が成立することを証明します [p.103], [p.105], [p.109], [p.110]。

---

■ Part 3-3: Partial Traceは量子論的周辺化

• この部の核心:

End(V⊗W)からEnd(V)およびEnd(W)への線型写像としてPartial Trace（tr_W, tr_V）を定義し、これが古典的周辺化の量子論的一般化であることを命題として証明します。さらにPartial Traceを施した還元された密度演算子もdensityであることを示します [p.115], [p.116], [p.125], [p.126]。

• 論理展開:
• tr_W(f⊗g)=f·tr(g)、tr_V(f⊗g)=g·tr(f)という定義と、End(V⊗W)≅End(V)⊗End(W)という同型を示します [p.116], [p.117], [p.118]。
• Partial Traceの明示的な行列表現 tr_W f = Σ_{i,j,α} f_{iα,jα}|x_i⟩⟨x_j| を導出します [p.119], [p.120]。
• 命題「π_{ρ_X}=(π_ρ)_X かつ π_{ρ_Y}=(π_ρ)_Y」を証明し、還元密度演算子が誘導する確率分布が古典的周辺確率に一致することを示します [p.126], [p.127], [p.128]。

---

■ Part 3-4: 還元された密度行列のテンソルネットワーク表示

• この部の核心:

|ψ⟩∈V⊗WのSchmidt分解とSVDを用いて、直交射影ρ=|ψ⟩⟨ψ|の還元密度演算子ρ_V=M†M=UD²U†、ρ_W=MM†=VD²V†として表現できることを証明し、テンソルネットワーク図形によってその構造を視覚化します [p.133], [p.139], [p.140], [p.147], [p.152]。

• 論理展開:
• Schmidt分解定理（|ψ⟩=Σσ_i|f_i⟩⊗|e_i⟩）をSVDから導出します [p.133], [p.134], [p.135]。
• ρ_V=Σσ²_i|e_i⟩⟨e_i|、ρ_W=Σσ²_i|f_i⟩⟨f_i|となりρ_VとρWは同じ固有値λ_i=σ²_iを共有し、固有ベクトルがMとM†によって一対一対応することを示します [p.139], [p.140], [p.141]。
• テンソルネットワーク図形によりρ→ρ_V（WをTrace out）=M†M、ρ→ρ_W（VをTrace out）=MM†の変換過程を視覚的に示し、ρ_VとρWから元の|ψ⟩が再構成できることを示します [p.142], [p.144], [p.147], [p.152], [p.153]。
• 最終まとめとして、量子論的確率論がマクロな世界、特に「ことばの意味の分散表現論」において機能しうる可能性を展望として示します [p.156], [p.157]。