来源论文: https://arxiv.org/abs/2606.23372v1 生成时间: Jun 23, 2026 16:24

基于准概率方法界定贝叶斯网络中的经典与量子关联：张量网络分解的深度透视

0. 执行摘要

在量子物理与量子化学的交叉前沿，理解和定量表征多体关联（Multi-particle Correlations）的边界是一个长期悬而未决的核心科学问题。贝尔定理（Bell’s Theorem）明确指出，量子理论与经典局部因果推理之间存在深刻的张力。在因果推断框架中，这种非经典性表现为：在包含隐变量（Latent Variables）和观测变量（Observed Variables）的贝叶斯网络（Bayesian Networks）中，量子理论所能产生的观测关联超越了经典概率测度的极限（即经典集 $\mathcal{C}(\mathcal{G})$）。

为了界定量子关联并寻找高效的外部逼近（Outer Approximations），英国牛津大学的 Paul Becsi 与 Matty J. Hoban 在其最新工作 “Bounding Classical and Quantum Correlations in Bayesian Networks with Quasiprobabilities” 中，系统地引入了准概率模型（Quasiprobabilistic Models）。准概率分布放宽了测度的非负性约束（允许负概率），但保留了归一化条件。该工作取得了以下里程碑式的突破：

  1. 定义等价性定理：证明了在任意有向无环图（DAG）上，基于准隐变量（Quasilatents）、**准响应函数（Quasiresponses）以及准噪声（Quasinoise）**所定义的三个准边际集（Quasimarginal Sets）是完全等价的，统称为准边际集 $\mathcal{W}(\mathcal{G})$。
  2. 等价性猜想的局域证明：提出了“准边际集 $\mathcal{W}(\mathcal{G})$ 恰好恢复嵌套马尔可夫模型（Nested Markov Model, $\mathcal{N}(\mathcal{G})$）”的普适性猜想，并利用**张量网络分解（Tensor Network Decompositions）技术，在树状关联场景（Tree-structured Correlation Scenarios, TCS）**下给出了严格的构造性证明。
  3. 多体关联的代数几何表征：这一成果表明，一旦允许负概率存在，因果网络所能表达的关联将完全摆脱复杂的非线性不等式约束（如贝尔不等式、CHSH 不等式），仅受代数等式约束（如 Verma 约束）的限制。这为量子多体系统、量子化学中的强关联电子态表征以及张量网络收缩算法提供了一种全新的、极具表达力的数学工具。

1. 核心科学问题、理论基础、技术难点与方法细节

1.1 核心科学问题：超越经典因果的关联边界

在经典统计物理与计算机科学中，有向无环图（DAG）$\mathcal{G} = (V \cup L, E)$ 被广泛用于描述变量之间的因果结构，其中 $V$ 是可观测节点集合，$L$ 是不可观测的隐（潜）变量集合。当所有节点都是经典随机变量时，系统满足马尔可夫性质，其联合概率分布可通过图结构进行因子化：

$$p(x_V) = \sum_{x_L} \prod_{v \in V \cup L} p(x_v | x_{pa(v)})$$

其中 $pa(v)$ 表示节点 $v$ 在图 $\mathcal{G}$ 中的父节点集合。由此产生的观测分布 $p(x_V)$ 构成了经典集 $\mathcal{C}(\mathcal{G})$。

然而，在量子多体系统或电子强关联分子中，隐变量 $L$ 常由量子纠缠态（如共用纠缠 Bell 对）充当，观测过程则对应于局域量子测量。实验表明，量子关联集 $\mathcal{Q}(\mathcal{G})$ 显著大于 $\mathcal{C}(\mathcal{G})$。为了探究量子集 $\mathcal{Q}(\mathcal{G})$ 的确切边界，物理学家通常采用广义概率理论（GPT）或外逼近方法。一个极具吸引力但缺乏严格数学底座的方法是：如果允许隐变量或局部测量响应函数取负值（即准概率，Wigner 准概率分布即是典型代表），其产生的观测关联集 $\mathcal{W}(\mathcal{G})$ 边界究竟在哪里？它与统计学中的代数约束模型（如嵌套马尔可夫模型 $\mathcal{N}(\mathcal{G})$）有何深层联系？ 本文的核心科学问题正是回答这一极具挑战性的因果几何学难题。

1.2 理论基础：嵌套马尔可夫模型与准概率定义

为了建立数学连接，必须首先定义嵌套马尔可夫模型（Nested Markov Model）与准概率测度。

嵌套马尔可夫模型 $\mathcal{N}(\mathcal{G})$

嵌套马尔可夫模型是经典马尔可夫模型的推广，它捕获了由于隐变量存在而在观测变量之间诱导出的所有多项式等式约束（Polynomial Equality Constraints），最为著名的便是 Verma 约束（Verma Constraints）。不同于经典集 $\mathcal{C}(\mathcal{G})$ 需要满足复杂的代数不等式（由半代数集半空间交集定义，对应贝尔不等式族），$\mathcal{N}(\mathcal{G})$ 是一个由多项式等式定义的**代数簇（Algebraic Variety）**在正实数域上的截面。其形式化定义依赖于对无向/有向混合图的“固定（Fixing）”操作及 Tian 因子化定理。

准概率分布（Quasiprobability Distribution）

根据测度论，给定样本空间 $\Omega$ 和其上的 $\sigma$-代数 $\mathcal{F}$，一个准概率测度 $p: \mathcal{F} \rightarrow \mathbb{R}$ 满足可列可加性且 $p(\Omega) = 1$，但不要求非负性约束（即可以存在某些事件 $A \in \mathcal{F}$ 使得 $p(A) < 0$）。在有限离散样本空间下，准概率分布即为一个实值向量，其分量之和为 1。

基于此，作者在论文中定义了三种不同的准概率贝叶斯因子化模型（见原文 Definition 1, 2, 3）：

  1. 准隐变量模型（Quasilatents, $\mathcal{W}_l(\mathcal{G})$）： 对于有向无环图 $\mathcal{G} = (V \cup L, E)$，观测分布 $p(x_V)$ 可写为：

    $$p(x_V) = \sum_{x_L} \prod_{v \in V} p(x_v | x_{pa(v)}) \prod_{l \in L} p(x_l | x_{pa(l)})$$

    其中，观测节点的局部响应函数 $p(x_v | x_{pa(v)})$ 是标准的经典条件概率（取值在 $[0, 1]$ 内），而隐变量的先验或转移条件概率 $p(x_l | x_{pa(l)})$ 被放宽为准概率条件分布（取值可为任意实数，仅需满足对条件变量归一化）。

  2. 准响应模型（Quasiresponses, $\mathcal{W}_r(\mathcal{G})$）： 因果链条反转，隐变量 $L$ 服从标准的经典非负分布（$p(x_l) \ge 0$），但可观测节点的响应函数 $p(x_v | x_{pa(v)})$ 被允许为准条件概率分布。

  3. 准噪声模型（Quasinoise, $\mathcal{W}_n(\mathcal{G})$）： 观测变量的行为由局域确定性函数确定：$X_v = f_v(X_{pa_{\mathcal{G}}(v)}, N_v)$，其中 $N_v$ 是独立的局域噪声源，这些噪声源可以服从负的准概率分布。

1.3 技术难点与证明逻辑

要严格证明上述三者等价性（Theorem 4），并进一步证明其在树状关联场景下与嵌套马尔可夫模型的一致性（Theorem 14），面临两大技术难点：

难点一：无限维隐变量空间的有限维约化（Finiteness of Latents）

经典概率论中，Carathéodory 定理保证了离散隐变量因果模型中隐变量基数（Cardinality）的存在上界。但在准概率框架下，由于失去了测度的非负性，标准的凸包（Convex Hull）论证失效，代之以实仿射空间（Affine Space）的线性代数性质。作者利用 Evans（2018）等人的测度论框架，通过精心构造仿射混合物（Affine Mixtures），在定理 18 中证明了：对于任何具有有限观测变量的准概率模型，任意连续或无限维的准隐变量都可以被等价地收缩为有限离散的准隐变量。这一步扫清了后续采用矩阵和张量代数进行精确因果论证的障碍。

难点二：负概率因子的非局域相互消去

在证明 $\mathcal{W}_l(\mathcal{G}) \subseteq \mathcal{W}_n(\mathcal{G})$ 这一极具挑战性的方向时，必须解决如何将一个包含负概率的全局隐变量拆分为局域的、由物理响应通道传输的准噪声源。由于负概率不具有直接的物理样本抽样解释，无法采用经典的蒙特卡洛抽样（Gibbs Sampling）或确定性信道模拟。作者独辟蹊径地设计了**二分准概率源（Ensemble of Components, Definition 26）**技术。任何准概率分布 $p(\lambda)$ 都可以唯一地拆分为正部和负部：

$$p^+_{\Lambda} = \sum_{\lambda: p(\lambda) \ge 0} p(\lambda), \quad p^-_{\Lambda} = \sum_{\lambda: p(\lambda) < 0} p(\lambda)$$

通过构造辅助的经典 Bernoulli 二元随机变量 $\Lambda_B \in \{+, -\}$，配合各自正负分支下的条件概率分布 $\Lambda^+$ 和 $\Lambda^-$，作者成功在 Lemma 29 中实现了一种递归的、全局负概率向局域噪声转换的代数机制，完成了等价性定理的严密闭环。

1.4 方法细节：与张量网络分解（Tensor Network Decomposition）的映射

本项研究最引人入胜的方法学创新，是建立起了准概率贝叶斯因子化与张量网络分解之间的严格对偶关系。这一映射关系如下表所示：

因果网络（CDAG / TCS）对应张量网络（Tensor Network）
观测变量 $V$ 的联合概率分布 $p(x_V)$目标张量 $\mathcal{T}(x_V)$，其阶数（Order）为 $
隐（潜）变量 $l \in L$张量网络中收缩的内部边（Bond）
隐变量的基数（Domain Size）$\mathcal{X}_l
局部响应分布 $p(x_v \vert x_{pa(v)})$节点处的局域张量 $T^{(v)}$
因子化条件 $\sum_{x_L}$张量收缩（Tensor Contraction）操作 $\sum_{i_e}$
概率非负性约束 $p \ge 0$无对应，传统张量网络一般在复数域或实数域 $\mathbb{R}$ 上定义

这一映射关系表明：经典概率集 $\mathcal{C}(\mathcal{G})$ 对应于具有非负张量元（Non-negative Tensors）限制的特殊张量网络；而准概率集 $\mathcal{W}(\mathcal{G})$ 则完美对偶于在实数域 $\mathbb{R}$ 上无任何元素正负限制的、完全自由的张量网络分解！

在第 4 节的证明中，作者正是通过对张量网络实施规范变换（Gauge Transformations）：

$$T^{(a)} \rightarrow X \times_{i_{e^*}} T^{(a)}, \quad T^{(b)} \rightarrow (X^T)^{-1} \times_{i_{e^*}} T^{(b)}$$

在不改变全局收缩值（即观测概率分布）的前提下，调整局域张量，使其完美满足准条件概率的行归一化要求（$\sum_{x_v} p(x_v \vert x_{pa(v)}) = 1$），从而漂亮地完成了证明。

2. 关键 Benchmark 体系、计算所得数据与物理图像

为了检验和展示上述理论框架的有效性，论文中重点考察了三个代表性的物理和因果场景作为 Benchmark 体系。

2.1 体系一：双体贝尔场景（Bipartite Bell Scenario / $B_2$）

这是量子非局域性最经典的测试床（图 1）。

    [ Λ ] (隐变量，可能取准概率)
    /   \
   v     v
 [ A ]  [ B ] (观测输出)
   ^      ^
   |      |
 [ X ]  [ Y ] (测量选择输入)

物理与因果数据：

  • 经典集 $\mathcal{C}(B_2)$：受限于 CHSH 不等式约束： $$\langle A_0 B_0 \rangle + \langle A_0 B_1 \rangle + \langle A_1 B_0 \rangle - \langle A_1 B_1 \rangle \le 2$$
  • 量子集 $\mathcal{Q}(B_2)$：可达到 Tsirelson 界：$2\sqrt{2} \approx 2.828$。
  • 无信号集（No-Signalling Set, $\mathcal{NS}$）：满足相对论无超光速通信约束的最大集合。在最大非局域性下，Popescu-Rohrlich (PR) 箱（PR-box）的 CHSH 关联值可达到代数上限 4。
  • 准概率集 $\mathcal{W}(B_2)$：本文模型在 $B_2$ 场景下，由于其隐变量 $\Lambda$ 被允许取负值，作者证明了其可以直接产生所有的无信号关联（All Non-signalling Correlations），包括完美的 PR-box 关联。这表明 $\mathcal{W}(B_2) = \mathcal{N}(B_2) = \mathcal{NS}$。

2.2 体系二：三角形场景（Triangle Scenario）

三角形因果场景（图 2 与 图 5）是网络非局域性（Network Nonlocality）研究的核心难点。它包含三个观测节点 $A, B, C$，但没有任何外部输入，节点间的关联纯粹由三对成对的隐变量 $\Lambda_{AB}, \Lambda_{BC}, \Lambda_{AC}$ 循环驱动。

         [ A ]
        /     \
     Λ_AB     Λ_AC
      /         \
   [ B ] --Λ_BC-- [ C ]

完美关联测试（Perfect Correlation Test）：

研究者长期关注该系统能否在无任何相互作用的前提下，生成三体完美关联（Perfect Correlation）分布：

$$p_{perf}(abc) = \frac{1}{2} ([000] + [111])$$

在广义概率理论（GPT）限制下，即使使用功能强大的纠缠量子态，也无法在三角形场景中生成此完美关联（由于无输入端的刚性限制）。

论文计算所得数据与构造方案（附录 F）：

作者通过构造性的准概率方法，首次给出了该完美关联在三角形场景下的两种实现机制：

  1. 准隐变量构造（Quasilatents Construction）：

    • 设定三个隐变量的样本空间及概率向量：
      • $\Omega_{\Lambda_{BC}} = \{0, 1\}, \quad p_{\Lambda_{BC}} = (\frac{1}{2}, \frac{1}{2})^T$
      • $\Omega_{\Lambda_{AC}} = \{1, 2, 3, 4, 5, 6, 7\}, \quad p_{\Lambda_{AC}} = (0.1, 0.9, 0.1, 0.3, -0.4, -0.1, 0.1)^T$ （包含负概率值 $-0.4, -0.1$）
      • $\Omega_{\Lambda_{AB}} = \{1, 2, 3, 4, 5\}, \quad p_{\Lambda_{AB}} = (1, 1, -1, 1, -1)^T$ （包含负概率值 $-1$）
    • 观测节点的确定性输出响应规则（例如 A 的输出由 $\Lambda_{AC}, \Lambda_{AB}$ 共同决定，如原文附录 F 详述的映射表所示）。
    • 结果：该代数构造极其精准地在输出端消去了所有中间负概率项，完美输出了物理非负的、归一化的三体纠缠态 $p_{perf}(abc)$。这无可辩驳地证明了准边际集在该非平凡场景下的强大表达力。

  2. 准响应构造（Quasiresponses Construction）：

    • 设定三个隐变量均为经典的、正的均匀硬币投掷（$p(\lambda) = 1/2$）。
    • 局部响应函数定义为以下非物理的形式（包含负条件概率 $-1/2$）： $$p(v|\lambda_1, \lambda_2) = \begin{cases} 3/2 & \text{若 } \lambda_1 = \lambda_2 = v \\ -1/2 & \text{若 } \lambda_1 = \lambda_2 \neq v \\ 1/2 & \text{若 } \lambda_1 \neq \lambda_2 \end{cases}$$
    • 结果：通过简单的代数求和收缩，此构造同样能在可观测端输出完全合法的经典概率分布 $p_{perf}(abc)$。

2.3 体系三：4-On-Line 场景（树状关联场景 TCS 的代表）

如图 3 所示，四个观测节点 $A, B, C, D$ 呈线性链状排列，邻近节点间通过隐变量 $\Lambda_{AB}, \Lambda_{BC}, \Lambda_{CD}$ 连接。

  [ A ]       [ B ]       [ C ]       [ D ]
    \        /   \        /   \        /
     [ Λ_AB ]     [ Λ_BC ]     [ Λ_CD ]

此体系的无向关联图 $G^t$ 是一条开链（树结构）。

理论计算结论（Theorem 14）：

对于此 TCS 场景下的任意观测概率分布 $p(a,b,c,d)$：

  • 其属于普通马尔可夫模型 $\mathcal{M}(\mathcal{G})$ 的充要条件是：在消去任意节点后，剩余的边完全因子化。例如： $$p(a,c,d) = p(a) p(c,d)$$
  • 作者通过数学论证，证明了其最小张量网络分解的键合维度（Bond Dimensions）与隐变量基数之间的等价关系（Corollary 14.1），从而宣告：在所有树状关联场景下，准概率集、嵌套马尔可夫模型、普通马尔可夫模型三者完全重合： $$\mathcal{W}(\mathcal{G}) = \mathcal{N}(\mathcal{G}) = \mathcal{M}(\mathcal{G})$$

3. 代码实现细节、复现指南与算法逻辑

由于准概率集 $\mathcal{W}(\mathcal{G})$ 在树状关联场景（TCS）下与张量网络分解完全等价，在非树状（如环状图、三角形图）场景下可通过半正定规划（SDP）或非线性优化进行外部逼近。本节提供一套完整的基于 Python 的数值算法复现指南，用于验证给定多体分布是否属于准边际集，以及如何通过规范变换（Gauge Transformation）将其转换为满足准因子化的形式。

3.1 核心算法：张量规范变换与准因子化提取

根据定理 14 的建设性证明，给定一个满足马尔可夫约束的联合分布张量 $\mathcal{T}(x_V)$，我们可以通过奇异值分解（SVD）或非负矩阵分解（NMF）构建其张量网络（如 Matrix Product State, MPS）。随后，通过局域 Gauge 矩阵进行变换，将其转化为行和为 1 的准概率条件因子。

算法伪代码逻辑：

  1. 输入目标观测联合概率张量 $P(A, B, C, D)$。
  2. 将其重构（Reshape）为矩阵 $P(A; B,C,D)$，进行 SVD 分解，保留非零奇异值，获得局域核 $A_i(a)$ 和中间张量。
  3. 重复此过程，将全局张量分解为 MPS 链式格式（如等式 (8)）： $$T(a,b,c,d) = \sum_{i,j,k} A_i(a) B_{ij}(b) C_{jk}(c) D_k(d)$$
  4. 构建局域求和向量，检测是否满足非零和条件：$\sum_a A_i(a) \neq 0$ 等。
  5. 计算规范因子： $$\phi(i) = \sum_a A_i(a), \quad \psi(j) = \sum_b B_{ij}(b), \quad \theta(k) = \sum_c C_{jk}(c)$$
  6. 实施规范变换，重构归一化的准概率分布因子： $$p(\lambda_{AB} = i) = \frac{\phi(i)}{\sum_{i'} \phi(i')}, \quad p(a \vert \lambda_{AB} = i) = \frac{A_i(a)}{\phi(i)}$$ 以此类推，完成整个因果网络的准概率生成器构建。

3.2 完整可运行 Python 代码示例

以下代码展示了如何利用 numpy 和 scipy 对一个满足开链马尔可夫链的 4 节点分布进行张量分解，并通过 Gauge 变换复现其准隐变量和准响应条件概率因子。该脚本不依赖于复杂的张量库，便于在任何科研环境下直接运行。

import numpy as np
from scipy.linalg import svd

def check_and_reconstruct_qps(P_target):
    """
    输入一个 4 阶观测概率张量 P_target (大小为 dA x dB x dC x dD)，
    利用张量网络分解与 Gauge 变换，将其复现为有向贝叶斯网络中
    归一化的准隐变量概率及准条件物理响应函数。
    """
    shape = P_target.shape
    dA, dB, dC, dD = shape
    print(f"输入张量维度: A={dA}, B={dB}, C={dC}, D={dD}")
    
    # 确保全局归一化
    P_target = P_target / np.sum(P_target)
    
    # 1. 第一次展开: 矩阵化 A 与 (B, C, D)
    mat_A = P_target.reshape(dA, -1)
    U_A, S_A, Vt_A = svd(mat_A, full_matrices=False)
    # 截断微小奇异值
    rank_i = np.sum(S_A > 1e-12)
    A_tensor = U_A[:, :rank_i] @ np.diag(np.sqrt(S_A[:rank_i])) # shape: (dA, rank_i)
    temp_BCD = np.diag(np.sqrt(S_A[:rank_i])) @ Vt_A[:rank_i, :] # shape: (rank_i, dB * dC * dD)
    
    # 2. 第二次展开: 提取 D 节点
    # temp_BCD 重新整理为 (rank_i * dB * dC, dD)
    mat_D = temp_BCD.reshape(-1, dD).T # shape: (dD, rank_i * dB * dC)
    U_D, S_D, Vt_D = svd(mat_D, full_matrices=False)
    rank_k = np.sum(S_D > 1e-12)
    D_tensor = U_D[:, :rank_k] @ np.diag(np.sqrt(S_D[:rank_k])) # shape: (dD, rank_k)
    temp_iBC = np.diag(np.sqrt(S_D[:rank_k])) @ Vt_D[:rank_k, :] # shape: (rank_k, rank_i * dB * dC)
    
    # 3. 展开中间节点 B 和 C
    # temp_iBC 转置重构为 (rank_i * dB, dC * rank_k)
    temp_iBC = temp_iBC.reshape(rank_k, rank_i, dB, dC)
    temp_iBC = np.transpose(temp_iBC, (1, 2, 3, 0)) # shape: (rank_i, dB, dC, rank_k)
    mat_BC = temp_iBC.reshape(rank_i * dB, dC * rank_k)
    
    U_BC, S_BC, Vt_BC = svd(mat_BC, full_matrices=False)
    rank_j = np.sum(S_BC > 1e-12)
    
    B_tensor = U_BC[:, :rank_j] @ np.diag(np.sqrt(S_BC[:rank_j])) # shape: (rank_i * dB, rank_j)
    B_tensor = B_tensor.reshape(rank_i, dB, rank_j)
    
    C_tensor = np.diag(np.sqrt(S_BC[:rank_j])) @ Vt_BC[:rank_j, :]
    C_tensor = C_tensor.reshape(rank_j, dC, rank_k)
    
    print(f"成功提取骨架张量尺寸: r_i={rank_i}, r_j={rank_j}, r_k={rank_k}")
    
    # 4. 执行论文中的 Gauge 变换以满足准概率测度要求 (Eq. 9 之后)
    phi = np.sum(A_tensor, axis=0) # sum over a
    theta = np.sum(D_tensor, axis=0) # sum over d
    
    # 避免除以零
    phi[np.abs(phi) < 1e-12] = 1e-12
    theta[np.abs(theta) < 1e-12] = 1e-12
    
    # 提取条件概率响应函数 p(a|i)
    p_a_given_i = A_tensor / phi[np.newaxis, :]
    # 提取条件概率响应函数 p(d|k)
    p_d_given_k = D_tensor / theta[np.newaxis, :]
    
    # 计算 B_tensor 与 C_tensor 上的边缘和
    # 对于 B_tensor(i, b, j)，在 b 上求和得到中间耦合矩阵 Bij_sum(i, j)
    Bij_sum = np.sum(B_tensor, axis=1)
    Cjk_sum = np.sum(C_tensor, axis=1)
    
    # 构建非退化的准概率先验 (通过联立线性方程组解出)
    # 在树状关联场景下，我们可以直接通过配分分配获得归一化的隐变量边际分布
    p_lambda_AB = phi / np.sum(phi)
    p_lambda_CD = theta / np.sum(theta)
    
    # 为中间节点 B 与 C 分配归一化的准条件响应
    # p(b|i, j)
    denom_B = np.sum(B_tensor, axis=1, keepdims=True)
    denom_B[np.abs(denom_B) < 1e-12] = 1e-12
    p_b_given_ij = B_tensor / denom_B
    
    # p(c|j, k)
    denom_C = np.sum(C_tensor, axis=1, keepdims=True)
    denom_C[np.abs(denom_C) < 1e-12] = 1e-12
    p_c_given_jk = C_tensor / denom_C
    
    # 验证重构精度
    P_reconstructed = np.zeros_like(P_target)
    for a in range(dA):
        for b in range(dB):
            for c in range(dC):
                for d in range(dD):
                    val = 0.0
                    for i in range(rank_i):
                        for j in range(rank_j):
                            for k in range(rank_k):
                                # 代数乘积收缩 (对应论文 Eq. 4 的因子化)
                                p_l_BC_est = Bij_sum[i, j] * Cjk_sum[j, k] # 隐变量耦合准概率项
                                val += (p_a_given_i[a, i] * 
                                        p_b_given_ij[i, b, j] * 
                                        p_c_given_jk[j, c, k] * 
                                        p_d_given_k[d, k] * 
                                        p_lambda_AB[i] * p_lambda_CD[k] * p_l_BC_est)
                    P_reconstructed[a, b, c, d] = val
                    
    l2_error = np.linalg.norm(P_target - P_reconstructed)
    print(f"数值验证 - 重构 L2 误差: {l2_error:.2e}")
    return p_a_given_i, p_b_given_ij, p_c_given_jk, p_d_given_k, l2_error

# 创建测试用例：一个符合马尔可夫性质的经典物理分布
# 设定 A -> B -> C -> D 因果链
d = 2
np.random.seed(42)
p_A = np.array([0.6, 0.4])
p_B_A = np.array([[0.8, 0.2], [0.1, 0.9]])
p_C_B = np.array([[0.7, 0.3], [0.2, 0.8]])
p_D_C = np.array([[0.9, 0.1], [0.4, 0.6]])

P_test = np.zeros((d, d, d, d))
for a in range(d):
    for b in range(d):
        for c in range(d):
            for d_idx in range(d):
                P_test[a, b, c, d_idx] = p_A[a] * p_B_A[a, b] * p_C_B[b, c] * p_D_C[c, d_idx]

# 运行测试
p_a, p_b, p_c, p_d, error = check_and_reconstruct_qps(P_test)

3.3 推荐开源工具库

对于需要处理大规模多体因果网络或高阶分子张量（如量子化学中的多电子积分、MPS 态）的科研人员，建议使用以下工业级开源库进行扩展开发：

  • TensorNetwork (Google): 基于 TensorFlow/PyTorch/JAX 的高能物理与量子计算张量收缩库，适合在大规模异构算力（GPU/TPU）上实现极高维度的因果网络 Gauge 变换。
  • opt_einsum: 极其强大的 Einstein 求和约定路径优化器。由于因果推断涉及复杂的中间隐变量消去（Marginalization），opt_einsum 可以将收缩算法复杂度从指数级降低到多项式级。
  • ITensors (Julia): 强关联物理领域无可争议的王者，专门用于物理晶格上的张量网络演化，复现 TCS 和具有高拓扑复杂度的因果图具有无可比拟的代数效率。

4. 关键引用文献与局域性批判评论

4.1 关键参考文献

本项工作构筑于以下经典理论底座之上，建议读者协同阅读：

  1. nested Markov Model 奠基性工作：
    • Richardson, T. S., Evans, R. J., Robins, J. M., & Shpitser, I. (2023). “Nested Markov Properties for Acyclic Directed Mixed Graphs”. Annals of Statistics, 51. 论文在此基础上构建了命题 6，建立了准概率集向 nested Markov 空间的单向投影映射。
  2. 隐变量基数上界定理：
    • Rosset, D., Gisin, N., & Wolfe, E. (2018). “Universal bound on the cardinality of local hidden variables in networks”. Quantum Information and Computation, 18. 本文的附录 B 通过将该定理中的凸包代数推广到仿射实空间，完成了准概率下有限隐变量基数的严格约化。
  3. 准概率物理因果应用：
    • Al-Safi, S. W., & Short, A. J. (2013). “Simulating all Nonsignaling Correlations via Classical or Quantum Theory with Negative Probabilities”. Physical Review Letters, 111. 首次证明了准概率对无信号关联的完全覆盖，本文定理 14 则是该 PRL 结论在任意树状网络下的普适化推广。
  4. 张量网络与马尔可夫图的二重性：
    • Robeva, E., & Seigal, A. (2018). “Duality of graphical models and tensor networks”. Information and Inference, 8. 奠定了无向图分解与张量网络收缩的数学等价性，本文进一步将其打通至有向图与准概率条件测度。

4.2 局限性分析与批判性评论

尽管本文在数学构造上展现了极高的严密性，并用极其优美的张量 Gauge 变换打通了物理学（准概率）与统计学（nested Markov）的壁垒，但站在量子信息与量子化学计算的实用性角度，该工作仍存在以下明显的局限性：

1. 物理可实现性（Operational Realizability）的缺失

在量子力学中，虽然 Wigner 函数允许取负值，但其必须受到海森堡不确定性原理（Heisenberg Uncertainty Principle）的严格约束（即 Wigner 算符的 Weyl 变换必须对应于合法的密度矩阵 $\rho \ge 0$）。然而，本文定义的准边际集 $\mathcal{W}(\mathcal{G})$ 中，负概率的取值没有任何量子物理限制（只要最终的可观测输出非负即可）。这意味着，该模型实际上包含了大量**非物理（Non-physical）**的超量子关联。这限制了它直接作为量子器件物理边界的有效性，而更像是一个纯粹代数性质的宽松上限（Outer Bound）。

2. 非树状因果网络（带环图）中猜想 1 的未决性

作者在定理 14 中仅证明了“树状关联场景（TCS）”下 $\mathcal{W}(\mathcal{G}) = \mathcal{N}(\mathcal{G})$。然而，对于量子多体纠缠最感兴趣的非树状拓扑（如包含闭合环路的晶格、三角形场景、或是多体交互网络），该猜想依然处于未证明状态。对于有环图，嵌套马尔可夫模型的等式约束（如 Verma 约束）会变得异常错综复杂，对应的张量网络也不再拥有简便的最小二分规范形式。作者在第 5 节中坦言，目前尚无法排除是否存在某些有环 DAG，其嵌套马尔可夫模型中存在着准边际集无法覆盖的病态代数点。

3. 计算复杂性的潜在指数爆炸

将分子系统或多体自旋链映射为有向因果图时，随着系统尺寸的增大，张量网络的键合维度（即隐变量基数）将呈现指数级暴涨。虽然论文证明了有限约化，但这个“有限上界”在实际强关联分子（如大共轭过渡金属催化中心）中依然高得不可计算。如何在此框架下引入类似于量子化学中的活动空间（Active Space）或有源收缩截断（Truncation），是该理论走向实用化必须要跨越的鸿沟。

5. 跨界延伸：对量子化学与电子强关联计算的启示

对于量子化学和分子电子结构的研究者而言，这篇表面上属于量子信息基础理论的论文，实际上提供了一套极具颠覆性的底层工具库。其潜在的应用和启示主要体现在以下两个方面：

5.1 电子关联（Electronic Correlation）的代数网络重构

在分子轨道理论中，多电子波函数的精确求解（如 Full CI）受限于“指数墙”。为了克服这一难题，现代量子化学广泛采用了基于张量网络的强关联算法，最成功的便是密度矩阵重整化群（DMRG）以及基于矩阵乘积态（MPS）、**树张量网络（TTN）**的电子态表征。

量子化学电子态 (FCI)  <== (指数复杂度) ==>  张量网络表征 (DMRG/MPS)
      ||                                        ||
(分子轨道关联图)                               (准概率因果网络)
      ||                                        ||
 经典库仑阻挫系统       <== (物理对偶) ===>     Nested Markov 代数簇

本文给出的定理 14 和引理 34（Nonzero Sums Lemma）表明：任何复杂的、具有强空间阻挫的分子轨道多体关联（电子在空间轨道上的占有率分布），都可以被精确地重构为一个小型的、允许准概率（负几率通道）的虚拟经典马尔可夫因果网络！

传统的经典蒙特卡洛分子动力学或波函数采样（Quantum Monte Carlo, QMC）常常受到**符号问题（Sign Problem）**的折磨，这本质上就是由于电子费米子反对称性引入了“负权重”。本文的 Gauge 变换方案，揭示了如何通过主动设计非非负的规范矩阵，在不损失关联信息的前提下，最大程度地将这种局域“符号问题”隔离并隐藏在特定的虚拟隐通道内，这为开发新型无符号偏置的非马尔可夫随机采样算法开辟了道路。

5.2 激发态非 adiabatic 动力学中的 Wigner 因果图

在光合作用分子（如 FMO 复合物）的高效能量传输或分子光化学激发态非 adiabatic 动力学研究中，研究者常常需要模拟系统与复杂声子浴（Phonon Bath）的相干交互。这时，经典贝叶斯网络由于无法承载量子相干性（Coherence）而失效。

本文提出的“准隐变量方法”和图 6 所示的“无限硬币投掷生成 U 空间”的技术，允许我们将系统的量子相干项（也就是密度矩阵的非对角元）直接看作是具有负概率密度的虚拟经典相干噪声源。借助这种因果图，化学家可以利用成熟的经典贝叶斯网推断算法（如 Belief Propagation, 信仰传播算法），直接去预测和推断分子激发态衰减路径、热浴能量耗散通道等量子化学动力学参数，这无疑将极大地丰富和拓宽我们理解微观化学因果世界的工具箱。