Zur besseren Übersicht verwende ich hier die NotationA0
UndA1
, anstattA
UndA'
, um die Ergebnisse für verschiedene Messaufbauten zu bezeichnen, und dasselbe mitB
.
Die Erwartungswerte sind definiert als
E(AXBj) ≡ ∫DλQ( λ )Eλ(AXBj) = ∫DλQ( λ )∑ein bein bp ( a b | x y, λ ) ,
Wo
Q( λ )
ist die Wahrscheinlichkeit, dass die versteckte Variable den Wert hat
λ
, Und
p ( a b | x y, λ )
ist die (gemeinsame) Wahrscheinlichkeit, die Ergebnisse zu erhalten
A
Und
B
angesichts der Messeinstellungen
X
Und
j
und versteckte Variable
λ
.
Die Lokalitätsannahme (plus Annahme der Unabhängigkeit der Messauswahl) ist eingebettet in die folgende Faktorisierung fürP
:
p ( a b | x y, λ ) = p ( a | x , λ ) p ( b | y, λ ) .(A)
Diese Beziehung muss man habenEλ(AXBj) =Eλ(AX)Eλ(Bj)
, so dass
E(A0B0) + E(A0B1)= ∫DλQ( λ ) [Eλ(A0)Eλ(B0) +Eλ(A0)Eλ(B1) ]= ∫DλQ( λ )Eλ(A0) [Eλ(B0) +Eλ(B1) ] ,
Wo
Eλ(AX) ≡∑AAp ( a | x , λ ) ,Eλ(Bj) ≡∑BBp ( b | y, λ ) .
Ohne Lokalitätsannahme würde das obige nicht gelten.
Eine analoge Argumentation führt zu
Eλ(A1B0) −Eλ(A1B1) =Eλ(A1) [Eλ(B0) −Eλ(B1) ] .
Die Schlussfolgerung ist jetzt von hier aus einfach. Definieren
Sλ≡Eλ(A0B0) +Eλ(A0B1) +Eλ(A1B0) −Eλ(A1B1) .
Dann haben wir unter Verwendung der obigen Gleichungen
Sλ=Eλ(A0) [Eλ(B0) +Eλ(B1) ] +Eλ(A1) [Eλ(B0) −Eλ(B1) ] .
Die Dreiecksungleichung zusammen mit der Tatsache, dass wir per Definition der Zahlen, die wir den möglichen Ausgängen zuordnen, haben
0 ≤Eλ(Aich) ≤ 1
, gibt jetzt
|Sλ| ≤ |Eλ(B0) +Eλ(B1) | + |Eλ(B0) −Eλ(B1) | = 2 maximal (Eλ(B1) ,Eλ(B2) ) .
Verwenden Sie das per Definition wieder
0 ≤Eλ(Bich) ≤ 1
, Wir schließen daraus
|Sλ| ≤ 2
.
Das volleS
wird jetzt durch Mittelwertbildung definiertSλ
über die verborgene Variableλ
, und weil eine konvexe Mischung von Zahlen in[ − 2 , 2 ]
bleibt drin[ − 2 , 2 ]
kommen wir zum Schluss:
| S| ≤ 2.
Aber wir könnten den gleichen Trick machen, wenn A auch von b abhängt, also wo wird Lokalität verwendet?
Nein, das konntest du nicht.
Wenn das Ergebnis vonA
hängt direkt davon abB
, dann gilt (A) nicht, also werden die Wahrscheinlichkeiten nicht faktorisiert (E( A B ) ≠ E( A ) E( B )
), daherE(A0B0) +E(A0B1) ≠ E(A0(B0+B1) )
, daher kann das CHSH-Argument nicht angewendet werden.
Sind Erwartungen nicht immer linear?
In der Tat sind sie es . Die Ortsannahme wird nicht für die Linearität benötigt, sondern um die Wahrscheinlichkeiten/Erwartungswerte zu faktorisieren, um sie in die Form zu bringenEλ(A0) [Eλ(B0) +Eλ(B1) ]
, an welcher Stelle das CHSH-Argument gilt.
PM 2Ring
reeeee