Evolutionary Discovery of Bivariate Bicycle Codes with LLM-Guided Search

Diese Arbeit präsentiert einen durch LLMs gesteuerten evolutionären Workflow, der erfolgreich neue hochperformante bivariate-Bicycle-Quanten-LDPC-Codes durch die Mutation von Python-Programmen entdeckt und Kandidaten durch eine mehrstufige Pipeline rigoros validiert, was 465 distinkte Codes einschließlich indekomponierbarer und hoch-distanzierter Varianten liefert.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, das perfekte Schloss für einen digitalen Tresor zu bauen. In der Welt des Quantencomputings wird dieses „Schloss“ als Quantenfehlerkorrektur-Code bezeichnet. Seine Aufgabe ist es, fragile Quanteninformationen vor Rauschen und Fehlern zu schützen. Je besser das Schloss ist, desto mehr Daten können Sie speichern (hohe „Rate“) und desto mehr Schäden kann es verkraften, bevor es bricht (hohe „Distanz“).

Lange Zeit haben Wissenschaftler versucht, die besten Designs für diese Schlösser zu finden, speziell eine Art namens Bivariate Bicycle (BB) Codes. Denken Sie an diese als komplizierte, mathematische Blaupausen. Das Problem ist, dass die Anzahl der möglichen Blaupausen so gewaltig ist, dass es der Suche nach einem spezifischen Sandkorn auf jeder Strande der Erde gleicht, und die Überprüfung, ob eine Blaupause funktioniert, unglaublich langsam und schwierig ist.

Dieses Paper beschreibt einen neuen Weg, diese Blaupausen zu finden, indem Künstliche Intelligenz (speziell Large Language Models, oder LLMs) als evolutionärer Wegweiser fungieren.

Hier ist die Geschichte ihrer Entdeckung, unterteilt in einfache Konzepte:

1. Die „evolutionäre“ Suchmaschine

Anstatt dass ein Mensch versucht, die perfekte Blaupause zu erraten, bauten die Forscher ein System, das die natürliche Evolution nachahmt.

• Der „Organismus“: Anstatt einen einzelnen Code zu entwickeln, entwickelten sie ein Python-Computerprogramm (ein Rezept), das Codes generiert.
• Die „Mutation“: Eine KI (das LLM) betrachtet das aktuell beste Rezept und schlägt kleine Änderungen vor, wie zum in „ändere diese Zahl“ oder „füge einen neuen Schritt hinzu“.
• Das „Überleben des Stärkeren“: Das System generiert tausende neue Rezepte. Es testet sie schnell, um zu sehen, ob sie einen gültigen Code erzeugen. Die besten überleben, um erneut mutiert zu werden; die schlechten werden verworfen.

Über fünf „Kampagnen“ (Suchrunden) hinweg ließ dieses KI-gesteuerte System etwa 1.650 Generationen laufen und untersuchte rund 200.000 Kandidaten-Codes. Der gesamte Prozess kostete etwa 400 $ an Rechenzeit und dauerte etwa 140 Stunden.

2. Die „Falle“ und der „Schiedsrichter“

Früh in der Suche lief die KI in eine clevere Falle. Sie fand Rezepte, die Codes mit einer riesigen Menge an Datenspeicherung (hohe „Rate“) erzeugten, was fantastisch aussah. Diese Codes waren jedoch in Wahrheit unbrauchbar, da sie über null Fähigkeit zur Fehlerkorrektur verfügten (Distanz = 2). Es war, als fände man eine Tresortür, die sich mit einer Büroklammer öffnen lässt; sie hält zwar viel darin fest, aber sie ist nicht sicher.

Die Forscher erkannten, dass ihr anfänglicher „Distanz-Checker“ (ein Standardwerkzeug namens BP-OSD) sie anlügte. Er überschätzte die Stärke dieser Codes teilweise um das 12-fache.

Um dies zu beheben, fügten sie einen strengen Schiedsrichter (MILP) in den Prozess ein.

• Die Aufgabe des Schiedsrichters: Dies ist ein hochleistungsfähiger mathematischer Solver, der die Distanz eines Codes mit 100-prozentiger Sicherheit prüft.
• Das Ergebnis: Der Schiedsrichter entlarvte die „Fallen“ sofort. Er zeigte auch auf, dass viele Codes, die die KI für stark hielt, in Wirklichkeit schwach waren. Dies zwang die KI, aufzuhören, nach diesen „falschen“ Hochleistungs-Codes zu suchen, und stattdessen genuin starke Codes zu finden.

3. Die Entdeckungen

Nach der Verfeinerung ihres Prozesses fand das System 465 distinkte, hochwertige Codes. Hier sind die Highlights:

• Der „Goldstandard“-Match: Sie fanden einen neuen Typ von Code (einen sogenannten „Perturbed Bivariate Bicycle“), der die Leistung des derzeit besten bekannten Codes (des „Gross Code“) erreicht, aber eine andere, komplexere Struktur nutzt. Es ist, als fände man ein neues Motordesign, das die gleiche Kilometerleistung wie das beste Auto am Markt erzielt, aber eine andere Art von Kraftstoff verwendet.
• Mehr Daten, gleicher Schutz: Sie fanden Codes, die mehr Daten speichern können (bis zu 54 logische Qubits) als bisherige Rekorde, während sie ein ordentliches Maß an Schutz beibehalten.
• Die „dekomponierbare“ Entdeckung: Das System fand einen Code, der wie ein super-fortgeschrittenes Schloss aussah. Die Graph-Analyse des Schiedsrichters enthüllte jedoch, dass es eigentlich nur zwei gewöhnliche Schlösser waren, die zusammengeklebt wurden. Es war keine neue Erfindung; es war einfach zwei bestehende Schlösser nebeneinander. Dies zeigte die Fähigkeit des Systems, „falsche“ Komplexität zu erkennen.

4. Der „Rate vs. Distance“-Trade-off

Die Forscher kartierten die Landschaft aller dieser Codes und fanden eine konsistente Regel, vergleichbar mit einem Naturgesetz für diese Schlösser:

• Die Hülle (Envelope): Man kann im Allgemeinen kein Schloss haben, das massive Mengen an Daten speichert UND gleichzeitig extrem robust ist.
• Die Kurve: Wenn man mehr Daten speichern möchte (höhere Rate), wird das Schloss leichter zu knacken (niedrigere Distanz). Wenn man ein super-robustes Schloss will, muss man weniger Daten speichern.
• Die Ausnahme: Sie fanden einige Codes, die die Grenzen dieser Kurve ausloten (wie ein Code mit 50 Dateneinheiten und Distanz 8), aber sie konnten die fundamentale „Hülle“ des Trade-offs dennoch nicht durchbrechen.

5. Warum das wichtig ist

Das Paper kommt zu dem Schluss, dass die Verwendung einer KI, um Computerprogramme zu entwickeln, ein praktisches, kostengünstiges Werkzeug für die Entdeckung neuer Quantencodes ist.

• Es fand Codes, die Menschen und traditionelle mathematische Suchen übersehen hatten.
• Es bewies, dass Standard-Testwerkzeuge für Hochleistungscodes gefährlich ungenau sein können, was den Einsatz eines strengen „Schiedsrichters“ (MILP) notwendig macht.
• Es demonstrierte, dass KI lernen kann, Fallen zu vermeiden und komplexe algebraische Muster zu entdecken, die über verschiedene Größen von Quantencomputern hinweg generalisierbar sind.

Kurz gesagt: Die Forscher nutzten eine KI, um einen „Code-Generator“ zu entwickeln, lehrten ihn, falsche Ergebnisse zu ignorieren, und entdeckten erfolgreich eine neue Familie von Quantenschlössern, die stärker, effizienter oder einfach anders sind als alles, was wir zuvor hatten.

Technische Zusammenfassung

Technisches Resümee: Evolutionäre Entdeckung von Bivariaten Bicycle-Codes mittels LLM-gestützter Suche

Problemstellung

Die Entdeckung von Quanten-LDPC-Codes (qLDPC), insbesondere von Bivariaten Bicycle-Codes (BB-Codes), erfordert die Navigation durch riesige kombinatorische Designräume, um Codes mit günstigen Rate–Distanz–Schwellenwert-Tradeoffs zu finden. Während BB-Codes Gewicht-6-Stabilisatoren und eine Syndrom-Extraktion mit konstanter Tiefe bieten, die für Near-Term-Hardware geeignet sind, bleibt die Landschaft leistungsstarker Codes bei praktischen Blocklängen ($n \lesssim 1000$) weitgehend unerforscht. Bestehende systematische Enumerationen sind oft auf spezifische polynomielle Formen oder kleine Blocklängen beschränkt, und der Suchraum besitzt keine Gradientenstruktur, die für kontinuierliche Optimierung geeignet wäre. Darüber hinaus ist die zuverlässige Zertifizierung der Parameter (speziell der minimalen Distanz $d$) von Kandidatencodes rechentechnisch schwierig; Standard-Heuristiken wie Belief Propagation mit Ordered Statistics Decoding (BP-OSD) haben gezeigt, dass sie die Distanz systematisch überschätzen, insbesondere bei High-Rate-Codes, was zu unzuverlässigen Fitness-Signalen in evolutionären Suchen führt.

Methodik

Die Autoren führen einen LLM-gestützten evolutionären Workflow ein, der darauf ausgelegt ist, Quantencodes zu entdecken und zu validieren. Anstatt individuelle Code-Parameter zu entwickeln, entwickelt das System Generator-Ansätze – Python-Programme, die Kandidaten-Polynomialpaare (oder 4-Tupel für Nicht-CSS-Codes) für beliebige Gitterdimensionen erzeugen.

Evolutionärer Rahmen

• Algorithmus: Das System nutzt OpenEvolve, eine Implementierung des MAP-Elites-Algorithmus, um ein Large Language Model (LLM) bei der Mutation von Code-Generatoren zu leiten.
• Mutationsstrategie: Das LLM erhält den aktuellen höchst-fitness-basierten Ansatz, Domänenwissen und Evaluations-Feedback, um gezielte Code-Diffs (z. B. Anpassungen von Exponenten, Umstrukturierung des Kontrollflusses) vorzuschlagen, anstatt vollständige Neuschreibungen vorzunehmen.
• Population: Die Suche ist über mehrere „Inseln“ verteilt, mit periodischer Migration, um Diversität zu erhalten. Das Archiv indiziert Ansätze basierend auf Verhaltensdimensionen wie der Anzahl der Gitter, die valide Codes liefern, und der Gesamtzahl der hochwertigen Codes.

Gestufter Validierungspipeline

Um die Unzuverlässigkeit der heuristischen Distanzschätzung zu mildern, setzen die Autoren eine mehrstufige Kaskade ein:

1. Stufe 1 (Screening): Schnelle Evaluierung auf kleinen Gittern zur Berechnung der Kodierungdimension $k$ via $\text{GF}(2)$-Rang. Ansätze, die keine validen Codes erzeugen, werden verworfen.
2. Stufe 2 (Heuristische Schätzung): Überlebende Ansätze werden auf größeren Gittern unter Verwendung von BP-OSD mit mehreren Decoder-Konfigurationen (OSD0, OSD-CS10) evaluiert, um die Distanz $d$ zu schätzen.
3. Stufe 3 (Exakte Verifizierung): Für Top-Kandidaten (und in späteren Kampagnen, In-Loop) wird Mixed-Integer Linear Programming (MILP) verwendet, um exakte Distanzen oder rigorose obere Schranken zu berechnen. Diese Stufe ist entscheidend, um die beobachtete systematische Überschätzung durch BP-OSD zu korrigieren.
4. Post-Campaign-Analyse: Beinhaltet BLISS-basierte Tanner-Graph-Deduplikation zur Identifizierung permutationsäquivalenter Codes, Dekomponierbarkeitsanalyse (zur Erkennung von direkten Summen) und Local-Clifford (LC)-Äquivalenzprüfungen für Nicht-CSS-Codes.

Code-Familien

• CSS BB-Codes: Definiert durch zwei Trinomiale $A, B$ über $\mathbb{F}_2[x,y]/(x^\ell-1, y^m-1)$.
• Perturbed BB (PBB) Codes: Ein Nicht-CSS-Ansatz, der Perturbations-Polynomiale $C, D$ einführt, um gemischte Stabilisatoren zu erzeugen, was Nicht-CSS-Strukturen ermöglicht.

Zentrale Beiträge

1. Entdeckung von 465 distinkten Codes

Über fünf evolutionäre Kampagnen hinweg entdeckte das System 465 distinkte Codes bei Blocklängen $n \le 360$:

• 97 CSS-Codes: Einschließlich 97 distinkter Repräsentanten (99 Äquivalenzklassen inklusive Redundanzen). Bemerkenswerte Funde sind:
  • Der [[288, 16, 12]] Code: Ein indekomponierbarer CSS-Code mit $d=12$ (exakt) und allen Shifts $\le 3$.
  • Codes mit höherem Gewicht: Entdeckung von Gewicht-8-Codes, die neue $(k, d)$-Kombinationen erreichen, wie z. B. [[288, 50, 8]] ($k=50, d=8$).
  • Wiederentdeckung bekannter Hochleistungs-Codes (z. B. der „Gross-Code“ [[144, 12, 12]]) und Identifizierung neuer endlicher Repräsentanten.
• 368 Nicht-CSS PBB-Codes: Codes, die gemischte Stabilisatoren verwenden. Die Suche fand einen [[144, 12, 12]] PBB-Code, der dem Figure of Merit (FOM) des Gross-Codes entspricht, sowie einen [[360, 12, $\le$24]] Code mit einer verlässlichen FOM-Obergrenze von 19,2.

2. Methodische Fortschritte in der Verifizierung

• BP-OSD Überschätzung: Die Studie quantifiziert, dass BP-OSD die Distanz bei High-Rate-Codes ($k/n > 0,1$) systematisch überschätzt, wobei die Fehler bis zu 12$\times$ erreichen können. Beispielsweise wurde ein [[360, 40, 2]] Code von BP-OSD als $d \le 24$ geschätzt, während MILP ein $d=2$ bestätigte.
• Achievable-Syndrome Sampling: Für Nicht-CSS-Codes versagt das Standard-Random-Syndrome-Sampling, da die erreichbaren logischen Kosets einen strikten Unterraum bilden. Die Autoren führen eine Methode ein, die nur aus dem erreichbaren Unterraum sampelt und so die BP-OSD-Funktionalität wiederherstellt.
• MILP Ground Truth: Die Verwendung von MILP als Verifizierungsstandard zeigte, dass viele High-$k$-Kandidaten tatsächlich niedrige Distanzen oder dekomponierbar waren (z. B. wurde der [[288, 24, 12]] Code als direkte Summe zweier Gross-Codes identifiziert).

3. Strukturelle Charakterisierung der BB-Landschaft

Die Autoren identifizieren vier algebraische Familien mit unterschiedlichen Rate–Distanz-Profilen:

• Univariat/HGP: Codes, die äquivalent zu den Hypergraph-Produkten zyklischer Codes sind. Diese erreichen die höchsten Kodierungdimensionen ($k \propto \ell$), leiden aber unter einer Distanz-Obergrenze von $d \le 4$.
• x/y-swap: Codes mit gemischten Variablen in den Polynomialen, die $d \ge 12$ erreichen, aber für indekomponierbare Codes auf $k \le 16$ begrenzt sind.
• Mixed-Monomial/Higher-Weight: Codes mit 4–6 Term-Polynomialen, die neue $(k, d)$-Punkte zugänglich machen (z. B. $k=50$ bei $d=8$), aber die allgemeine Rate–Distanz-Hülle nicht verlassen.
• Nicht-CSS PBB: Codes, die dem FOM der besten CSS-Codes bei $n=144$ entsprechen, diesen aber nicht übertreffen.

4. Empirischer Rate–Distanz-Tradeoff

Die Suche zeigt einen konsistenten empirischen Tradeoff: Höhere Kodierungsraten gehen im Allgemeinen mit niedrigeren Distanzen einher.

• Indekomponierbare Gewicht-6-Codes mit $d=12$ sind auf $k \le 16$ begrenzt.
• Gewicht-6-Codes mit $k > 24$ haben universell $d \le 4$.
• Höher gewichtete Codes (Gewicht-8) können ein höheres $k$ bei moderatem $d$ erreichen (z. B. $k=50$ bei $d=8$), brechen aber die beobachtete Hülle nicht auf.

Ergebnisse und Bedeutung

Kernergebnisse

• Effektivität des LLM: Die LLM-gestützte Evolution entdeckte erfolgreich algebraische Muster (z. B. univariate Strukturen, x/y-swap), die über verschiedene Gitterdimensionen hinweg generalisieren und bei der Suche nach High-FOM-Codes mit $d \ge 6$ Random Search und Standard-Genetischen Algorithmen übertreffen.
• Notwendigkeit der Verifizierung: Die Studie zeigt, dass heuristische Distanzschätzungen für die Entdeckung von High-Rate-Codes unzureichend sind. Die „A = B Distanz-Falle“ (wo $A=B$ zu $d=2$ führt) wurde von BP-OSD selbst nach $1,5 \times 10^6$ Versuchen nicht erkannt, wurde aber durch die MILP-Pipeline sofort identifiziert.
• Hardware-Relevanz: Die entdeckten Codes, wie der [[288, 16, 12]], bieten verbesserte Logische-Qubit-Zahlen (bis zu 1,7$\times$ der Gross-Code) bei gleichzeitig vergleichbaren Pseudo-Schwellenwerten zum Surface Code. Nicht-CSS PBB-Codes zeigen Potenzial für eine verbesserte Fehlerminimierung unter spezifischen Rauschmodellen (X-only), obwohl dieser Vorteil unter Depolarisierungsrauschen mit Standard-Decodern abnimmt.

Bedeutung

Die Arbeit behauptet, dass LLM-gestützte Programmentwicklung, gepaart mit einer rigorosen, mehrstufigen unabhängigen Verifizierung (insbesondere MILP), ein praktisches und kosteneffizientes Werkzeug für die strukturierte Entdeckung von Quantencodes darstellt. Die Gesamtkosten von etwa 400 $ und 140 Stunden demonstrieren die Machbarkeit dieses Ansatzes.

Die Studie etabliert einen neuen Verifizierungsstandard für High-Rate-BB-Code-Claims und hebt die kritische Lücke zwischen heuristischen Schätzungen und exakter Distanz hervor. Sie bietet einen wiederverwendbaren Rahmen zur Exploration des kombinatorischen Raums von Quantencodes und zeigt auf, dass die Rate–Distanz-Hülle zwar robust ist, strukturierte Suche jedoch neue, leistungsstarke Repräsentanten innerhalb dieser Hülle finden kann. Die Autoren merken an, dass das Durchbrechen dieser Hülle wahrscheinlich den Übergang über die bivariate Bicycle-Familie hinaus zu komplexeren algebraischen Strukturen erfordert.