El panorama completo

Conviene detenerse y mirar el camino recorrido. Empezamos con una cantidad de una sola toma, pesimista y frágil; la hicimos robusta permitiendo un error; y al promediarla sobre muchas copias reapareció la entropía relativa de siempre. Ese recorrido —peor caso → suavizado → promedio— no es solo la estructura de estos cuatro módulos: es la relación de fondo entre la información de una toma y la asintótica.

La escalera completa

Para dos estados, todo cabe en una cadena de desigualdades. La entropía relativa está abajo, la max-relativa arriba, y el suavizado más la regularización es el ascensor que las conecta:

D(\rho\|\sigma) \;=\; \lim_{n\to\infty}\tfrac1n D_{\max}^{\varepsilon}(\rho^{\otimes n}\|\sigma^{\otimes n}) \;\le\; D_{\max}^{\varepsilon}(\rho\|\sigma) \;\le\; D_{\max}(\rho\|\sigma).

De derecha a izquierda: el peor caso crudo; luego el suavizado, que lo baja un poco tolerando un error $\varepsilon$ ; y al final la regularización, que al promediar sobre copias lo deja en el mínimo de la escalera, la entropía relativa. Cada módulo de este bloque ha sido un peldaño de esta misma escalera.

El análogo de la min-entropía

La historia se repite, punto por punto, con la min-entropía condicional. Su versión suavizada, $H_{\min}^{\varepsilon}(A|B)$ , es robusta; y su regularización converge a la entropía condicional de von Neumann entropía condicional de von Neumann:

\lim_{n\to\infty} \tfrac1n\, H_{\min}^{\varepsilon}\big(A^n \,\big|\, B^n\big)_{\rho^{\otimes n}} = H(A|B)_\rho.

Es la propiedad de equipartición equipartición «totalmente cuántica». Y su dirección es la opuesta a la de antes: como $H_{\min} \le H$ , aquí la tasa asciende desde el peor caso de una toma hasta el promedio. La min-entropía condicional de una toma, promediada sobre muchas rondas, se convierte en la conocida entropía condicional.

Por qué las de una toma son las fundamentales

Hay una inversión de perspectiva que vale la pena hacer explícita. Solemos pensar en la entropía de von Neumann y en la relativa como las cantidades «primarias», y en las de una toma como refinamientos técnicos. La imagen que emerge de estos módulos es la contraria: las cantidades de una toma — $D_{\max}^{\varepsilon}$ , $H_{\min}^{\varepsilon}$ — son las que gobiernan cualquier tarea concreta, con sus recursos finitos y su error real. Las asintóticas son sus sombras regularizadas: lo que queda cuando el número de repeticiones tiende a infinito y las fluctuaciones se borran. Por eso el curso empezó, en el Módulo 01, construyendo la herramienta —la programación cónica— para calcularlas.

Ejemplos resueltos

Ejemplo resuelto 1 · La min-entropía asciende hasta H(A|B)

Problema. Retoma la conjunta clásica del Módulo 02: $p(0,0) = p(1,1) = 0.4$ , $p(0,1) = p(1,0) = 0.1$ . Su min-entropía condicional de una toma era $H_{\min}(A|B) = 0.322$ bits. ¿A qué valor converge al regularizar?

Solución. Al valor de la entropía condicional $H(A|B) = H(AB) - H(B)$ . La marginal $p_B = (0.5, 0.5)$ da $H(B) = 1$ bit. La conjunta $(0.4, 0.1, 0.1, 0.4)$ tiene $H(AB) = -2(0.4\log_2 0.4 + 0.1\log_2 0.1) \approx 1.722$ bits. Por tanto

H(A|B) = 1.722 - 1 = 0.722 \text{ bits}.

La regularización lleva la min-entropía condicional de $0.322$ (una toma) a $0.722$ (asintótica): asciende, porque el peor caso siempre queda por debajo del promedio.

Ejemplo resuelto 2 · La escalera, de arriba abajo

Problema. Resume la escalera para la min-entropía de la distribución $p = (0.7,\ 0.2,\ 0.1)$ : valor de una toma y valor regularizado.

Una toma. $H_{\min}(A) = -\log_2 0.7 \approx 0.515$ bits (lo calculamos en el Módulo 02).

Regularizado. La min-entropía suavizada, promediada sobre copias, converge a la entropía de Shannon: $H(A) = -(0.7\log_2 0.7 + 0.2\log_2 0.2 + 0.1\log_2 0.1) \approx 1.157$ bits.

Así, la incertidumbre por copia crece de $0.515$ a $1.157$ bits al pasar de una toma al régimen asintótico. La brecha entre ambas —el precio de trabajar con una sola realización— es justo lo que estos cuatro módulos han caracterizado.

Ejercicios

Ejercicio 1

Explica, en una frase, por qué la regularización de la max-relativa hace descender la tasa, mientras que la de la min-entropía la hace ascender.

Solución

Porque el suavizado empuja cada cantidad hacia su promedio desde lados opuestos: la max-relativa es un peor caso por arriba de la entropía relativa (se minimiza al suavizar, así que baja hacia $D$ ), mientras que la min-entropía es un peor caso por debajo de la entropía de von Neumann (se maximiza al suavizar, así que sube hacia $H$ ).

Ejercicio 2

Para un estado puro $\rho = |\psi\rangle\langle\psi|$ , ¿cuánto valen $H_{\min}(A)$ y su regularización $H(A)$ ? ¿Qué tiene de especial?

Solución

Un estado puro tiene $\lambda_{\max} = 1$ , así que $H_{\min}(A) = -\log_2 1 = 0$ , y su entropía de von Neumann también es $H(A) = 0$ . Aquí una toma y asintótico coinciden: no hay incertidumbre que regularizar. La escalera se colapsa a un punto siempre que el estado no tiene aleatoriedad que promediar.

Y de aquí, al Módulo 05. Hemos recorrido la familia «max»: la max-relativa y la min-entropía (que es un $-D_{\max}$ con la identidad). El siguiente módulo cruza al otro lado —la min-relativa, la max-entropía condicional y la entropía de contraste de hipótesis— y muestra cómo se emparejan por dualidad, la misma dualidad de SDP del Módulo 01.