OmniQEC: discovering practical quantum error-correcting codes by an AI scientist

Stellen Sie sich vor, Sie versuchen, einen superstarken Computer zu bauen, der mit den seltsamen, wackeligen Regeln der Quantenwelt denkt. Das Problem ist: Diese Quantenbits (Qubits) sind unglaublich zerbrechlich; ein winziges Flüstern von Hitze oder ein streuses Magnetfeld kann sie dazu bringen, zu vergessen, was sie gerade getan haben, wodurch eine brillante Berechnung in Kauderwelsch verwandelt wird. Um dies zu beheben, nutzen Wissenschaftler einen Trick namens Quantenfehlerkorrektur (Quantum Error Correction, QEC). Stellen Sie sich das wie ein Team von Detektiven vor, die eine geheime Nachricht schützen. Anstatt die Nachricht auf ein einziges Blatt Papier zu schreiben, das zerrissen werden könnte, schreiben sie sie über ein ganzes Team von Menschen verteilt auf. Wenn eine Person abgelenkt wird oder einen Fehler macht, können die anderen feststellen, was die ursprüngliche Nachricht gewesen sein sollte, und sie korrigieren.

Das Design dieses „Teams von Detektiven“ ist jedoch ein Albtraum. Die Regeln dafür, wie sie stehen, sprechen und einander kontrollieren, hängen von der spezifischen Hardware ab, die Sie verwenden, den Werkzeugen, die zur Verfügung stehen, um in ihre Gespräche hineinzuhören, und der Mathematik, die zur Dekodierung der Nachricht verwendet wird. Wenn Sie ein Team entwerfen, das auf dem Papier perfekt aussieht, aber nicht in den Raum passt, in den Sie es stellen wollen, versagt das gesamte System. Lange Zeit haben Wissenschaftler versucht, die perfekte Teamstruktur von Hand zu finden, aber die Anzahl der Möglichkeiten ist so groß, dass es sich anfühlt, als würde man ein bestimmtes Sandkorn in einer Wüste suchen. Hier kommt eine neue Art von Helfer ins Spiel: Eine Künstliche Intelligenz, die nicht nur rät, sondern tatsächlich aus der chaotischen Realität des Bauens dieser Computer lernt.

---

Treffen Sie OmniQEC: Den KI-Architekten für Quantensicherheit

Hier kommt OmniQEC ins Spiel, ein neuer „KI-Wissenschaftler“, der darauf ausgelegt ist, die bestmöglichen Quantenfehlerkorrektur-Codes für die reale Welt zu entdecken. Anstatt nur nach der Mathematik auf einem Whiteboard zu schauen, agiert OmniQEC wie ein unermüdlicher, selbstverbessernder Architekt, der Quantensicherheits-Teams baut, testet und verfeinert, bis sie bereit für den Einsatz sind.

Das Paper führt OmniQEC als ein System ein, das die Entdeckung dieser Codes als ein Spiel aus „Generieren, Testen und Verbessern“ behandelt. Das Herzstück dieses Systems ist ein „Dirigent“ (ein fortgeschrittenes Large Language Model), der einen zweigeschwindigkeits-Workflow koordiniert. Stellen Sie sich einen Koch vor, der versucht, die perfekte Suppe zu kreieren.

Der schnelle Zyklus: Die Geschmacksprüfung-Küche
Zuer das läuft ein „schneller Zyklus“. Dies ist wie ein schneller Geschmackstest. Die KI generiert Tausende von potenziellen Rezepten (Codestrukturen) und prüft sie mithilfe einfacher, kostengünstiger Abkürzungen. Sie stellt Fragen wie: „Hat dieses Rezept die richtige Anzahl an Zutaten?“ oder „Ist die Mathematik im Gleichgewicht?“ Diese Prüfungen dauern nur Sekunden. Wenn ein Rezept basierend auf diesen schnellen Checks vielversprechend aussieht, erhält es ein Ticket für die nächste Runde. Dies ermöglicht es der KI, eine massive Bibliothek von Möglichkeiten zu scannen, ohne sich darin zu verfangen.

Der langsame Zyklus: Die vollständige Simulation
Dann folgt der „langsame Zyklus“, das eigentliche Ding. Hier nimmt die KI die besten Kandidaten aus dem schnellen Zyklus und baut sie in einer detaillierten Simulation aus. Sie konstruiert die tatsächlichen „Syndrom-Extraktionsschaltkreise“ – die komplexe Maschinerie, die zur Erkennung von Fehlern verwendet wird – und lässt sie durch eine verrauschte, unvollkommene Umgebung laufen, um zu sehen, wie oft sie tatsächlich scheitern. Dies ist vergleichbar damit, die Suppe zu kochen, sie einer Jury zu servieren und zu sehen, ob sie in einem echten Speisesaal tatsächlich gut schmeckt. Dieser Schritt dauert Minuten oder sogar Stunden pro Kandidat, weshalb die KI sehr selektiv ist, wer bis zu dieser Stufe durchdringt.

Die Magie des Feedbacks
Die wahre Genialität von OmniQEC liegt darin, wie es lernt. Die Ergebnisse aus dem „langsamen Zyklus“ (der realen Simulation) werden an den KI-Dirigenten zurückgemeldet. Wenn ein Rezept im schnellen Geschmackstest großartig aussah, aber in der echten Küche versagte, lernt die KI warum und passt ihre zukünftigen Vermutungen an. Sie entwickelt ihre eigene Logik weiter und wird mit jedem Zyklus klüger. Dies schafft einen „langsam-schnell-synergetischen Workflow“, bei dem die KI kostengünstige Abkürzungen nutzt, um weit zu explorieren, aber teure, genaue Tests verwendet, um die Suche in Richtung der wirklich besten Lösungen zu steuern.

Was sie fanden: Die alten Champions schlagen

Die Forscher stellten OmniQEC gegen vier verschiedene Familien von Quantencodes und drei verschiedene KI-„Gehirne“ (Claude, GPT und DeepSeek) auf die Probe. Sie legten strikte Budgets fest, wie viele physische Qubits (die Hardware-Teile) verwendet werden durften, reichend von kleinen Setups bis hin zu größeren mit bis zu 288 Qubits.

Die Ergebnisse waren beeindruckend. OmniQEC entdeckte Codes, die konsistent besser darin wurden, Fehler zu unterdrücken, wenn mehr Ressourcen hinzugefügt wurden. Aber die spannendste Erkenntnis war, wie diese neuen Codes im Vergleich zum aktuellen „Goldstandard“, bekannt als BB-Codes (Bivariate Bicycle Codes), abschnitten.

• Als das Team OmniQEC ein Budget von 98 physischen Qubits gab, entdeckte die KI einen Code, der den Standard-BB-Code übertraf, der 72 phische Qubits benötigt (speziell den [[72, 12, 6]] Code).
• Noch erstaunlicher war: Als das Budget auf 240 physische Qubits erhöht wurde, schlug der stärkste von der Claude-KI gefundene Code den massiven BB-Benchmark-Code, der 144 physische Qubits verwendet (den [[144, 12, 12]] Code).

Dies deutet darauf hin, dass OmniQEC durch die Optimierung dafür, wie ein Code tatsächlich in einem verrauschten Schaltkreis performt (anstatt nur abstrakte mathematische Scores zu betrachten), effizientere Wege finden kann, um Quanteninformationen zu schützen.

Die Falle der „gut genug“ Mathematik

Eine der wichtigsten Lehren des Papers ist eine Warnung vor der Abhängigkeit von altmodischen Abkürzungen. Wissenschaftler verwenden oft einen einfachen mathematischen Score namens $\Phi_{code} = kd^2/n$, um Codes schnell zu bewerten. Das Paper zeigt, dass dieser Score irreführend sein kann.

In ihren Experimenten fand OmniQEC Codes, die zwar niedrigere mathematische Scores als die berühmten BB-Codes hatten, aber in den realen Simulationen tatsächlich besser abschnitten. Es ist wie ein Schüler, der in einem Multiple-Choice-Probetest eine schlechtere Note bekommt, aber am Ende die Abschlussprüfung mit Bravour besteht, weil er die Konzepte besser verstanden hat. Das Paper argumentiert, dass man, wenn man nur den schnellen mathematischen Score optimiert, die wirklich besten Lösungen verpassen könnte. Man muss das Gesamtbild sehen, einschließlich der Frage, wie der Code mit Rauschen und Dekodierung umgeht.

Die Kosten der Entdeckung

Die Forscher untersuchten auch den „Preis“, den das Ausführen dieser KI verursacht. Sie fanden heraus, dass die Kosten für die Nutzung der KI (gemessen in „Tokens“, was der Menge an verarbeiteten Wörtern entspricht) nicht exponentiell anstiegen, nur weil die Codes größer wurden. Die Kosten wurden hauptsächlich durch das verwendete KI-Gehirn bestimmt. Zum Beispiel bot das Claude-Backend die beste Balance zwischen Leistung und Kosten, während DeepSeek das günstigste war, aber etwas schwächere Codes fand. Dies deutet darauf hin, dass die Fähigkeit der KI zu denken und aus Fehlern zu lernen, wichtiger ist als die reine Größe des Codes, den sie entwirft.

Warum das wichtig ist

Das Paper schließt mit dem Fazメント, dass OmniQEC ein mächtiges neues Werkzeug für das „Co-Design“ von Quantencomputern ist. Anstatt erst einen Code zu entwerfen, dann eine Maschine zu bauen und dann festzustellen, dass sie nicht zusammenpassen, entwirft OmniQEC den Code mit Blick auf die Maschine. Es schließt die Lücke zwischen abstrakter Mathematik und der chaotischen Realität der Hardware.

Obwohl die Ergebnisse auf Simulationen basieren und noch nicht auf einem physischen Quantencomputer gebaut wurden, weist der Befund auf einen klaren Weg hin. Indem wir KI nutzen, um die komplexen Kompromisse zwischen Codestruktur, Hardwaregrenzen und Fehlerdekodierung zu navigieren, können wir praktische, leistungsstarke Codes finden, die uns näher an den Bau eines fehlertoleranten Quantencomputers bringen, der tatsächlich funktioniert. Das Paper legt nahe, dass dieser Ansatz auf noch mehr Arten von Hardware und Codefamilien ausgeweitet werden kann, was potenziell das volle Potenzial des Quantencomputings für alle erschließen könnte.