⚛️ quantum physics

Evolutionary Discovery of Bivariate Bicycle Codes with LLM-Guided Search

यह शोध पत्र एक LLM-निर्देशित विकासवादी वर्कफ़्लो प्रस्तुत करता है जो पायथन प्रोग्रामों को उत्परिवर्तित करके और एक बहु-चरणीय पाइपलाइन के माध्यम से उम्मीदवारों को कड़ाई से मान्य करके नए उच्च-प्रदर्शन वाले द्विवari-बाइसाइकल क्वांटम LDPC कोडों की सफलतापूर्वक खोज करता है, जिससे 465 विशिष्ट कोड प्राप्त होते हैं जिनमें अपघटनीय (indecomposable) और उच्च-दूरी वाले वेरिएंट शामिल हैं।

मूल लेखक: Juan Cruz-Benito, Andrew W. Cross, David Kremer, Ismael Faro

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Juan Cruz-Benito, Andrew W. Cross, David Kremer, Ismael Faro

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक डिजिटल तिजोरी के लिए एक आदर्श ताला बनाने की कोशिश कर रहे हैं। क्वांटम कंप्यूटिंग की दुनिया में, इस "ताले" को क्वांटम एरर-करेक्टिंग कोड (quantum error-correcting code) कहा जाता है। इसका काम नाजुक क्वांटम सूचना को शोर और त्रुटियों से बचाना है। ताला जितना बेहतर होगा, आप उतना ही अधिक डेटा स्टोर कर पाएंगे (उच्च "रेट") और यह टूटने से पहले उतना ही अधिक नुकसान झेल सकेगा (उच्च "डिस्टेंस")।

लंबे समय से, वैज्ञानिक इन तालों के सर्वोत्तम डिजाइनों को खोजने का प्रयास कर रहे हैं, विशेष रूप से एक प्रकार के जिन्हें बाइवैरियट बाइसिकल (Bivariate Bicycle - BB) कोड कहा जाता है। इन्हें जटिल, गणितीय ब्लूप्रिंट की तरह समझें। समस्या यह है कि संभावित ब्लूप्रिंट की संख्या इतनी विशाल है कि यह दुनिया के हर समुद्र तट पर एक विशिष्ट रेत के कण को खोजने जैसा है, और यह जांचना कि कोई ब्लूप्रिंट काम करता है या नहीं, बेहद धीमा और कठिन कार्य है।

यह शोध पत्र इन ब्लूप्रिंट्स को खोजने का एक नया तरीका बताता है, जिसमें आर्टिफिशियल इंटेलिजेंस (विशेष रूप से लार्ज लैंग्वेज मॉडल्स, या LLMs) एक विकासवादी मार्गदर्शक (evolutionary guide) के रूप में कार्य करते हैं।

यहाँ उनकी खोज का विवरण सरल अवधारणाओं में दिया गया है:

1. "इवोल्यूशनरी" सर्च इंजन

एक इंसान द्वारा एक आदर्श ब्लूप्रिंट का अनुमान लगाने के बजाय, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया जो प्राकृतिक विकास (natural evolution) की नकल करता है।

"जीव" (The Organism): एक एकल कोड विकसित करने के बजाय, उन्होंने एक पायथन कंप्यूटर प्रोग्राम (एक रेसिपी) को विकसित किया जो कोड जनरेट करता है।
"उत्परिवर्तन" (The Mutation): एक AI (LLM) वर्तमान सर्वश्रेष्ठ रेसिपी को देखता है और छोटे बदलावों का सुझाव देता है, जैसे "इस नंबर को बदलें" या "एक नया स्टेप जोड़ें।"
"योग्यतम की उत्तरजीविता" (Survival of the Fittest): सिस्टम हजारों नई रेसिपी बनाता है। वे तेजी से जांचते हैं कि क्या वे एक वैध कोड बनाते हैं। जो बेहतर होते हैं, वे फिर से उत्परिवर्तित होने के लिए जीवित रहते हैं; जो खराब होते हैं, उन्हें हटा दिया जाता है।

पाँच "अभियानों" (खोज दौरों) के दौरान, इस AI-संचालित सिस्टम ने लगभग 1,650 पीढ़ियों को चलाया, जिसमें लगभग 2,00,000 संभावित कोड्स की स्क्रीनिंग की गई। इस पूरी प्रक्रिया की लागत कंप्यूटर समय के रूप में लगभग $400 थी और इसमें लगभग 140 घंटे लगे।

2. "जाल" और "रेफरी"

खोज के शुरुआती चरणों में, AI एक चतुर जाल में फंस गया। इसने ऐसी रेसिपी खोज लीं जो बहुत अधिक डेटा स्टोरेज (उच्च "रेट") वाले कोड बनाती थीं, जो दिखने में अद्भुत थे। हालांकि, ये कोड वास्तव में बेकार थे क्योंकि उनमें त्रुटियों को सुधारने की शून्य क्षमता (डिस्टेंस = 2) थी। यह एक तिजोरी के दरवाजे को खोजने जैसा था जो एक पेपरक्लिप से खुल जाता है; यह बहुत सारा सामान तो रखता है, लेकिन यह सुरक्षित नहीं है।

शोधकर्ताओं ने महसूस किया कि उनका प्रारंभिक "डिस्टेंस चेकर" (एक मानक उपकरण जिसे BP-OSD कहा जाता है) उन्हें झूठ बोल रहा था। यह ओवरएस्टिमेट कर रहा था कि ये कोड कितने मजबूत हैं, कभी-कभी 12 गुना तक।

इसे ठीक करने के लिए, उन्होंने प्रक्रिया में एक सख्त रेफरी (MILP) जोड़ा।

रेफरी का काम: यह एक भारी-भरकम गणितीय सॉल्वर है जो 100% निश्चितता के साथ कोड के 'डिस्टेंस' की जांच करता है।
परिणाम: रेफरी ने "जालों" को तुरंत पकड़ लिया। इसने यह भी स्पष्ट किया कि AI द्वारा जिन्हें मजबूत माना गया था, उनमें से कई वास्तव में कमजोर थे। इसने AI को उन "नकली" उच्च प्रदर्शन करने वाले कोडों को छोड़ने और वास्तविक रूप से मजबूत कोड खोजने के लिए मजबूर किया।

3. खोजें

अपनी प्रक्रिया को परिष्कृत करने के बाद, सिस्टम ने 465 विशिष्ट, उच्च-गुणवत्ता वाले कोड खोजे। मुख्य आकर्षण यहाँ दिए गए हैं:

"गोल्ड स्टैंडर्ड" मैच: उन्होंने एक नया प्रकार का कोड (जिसे "पर्टर्बड बायवेरिएट बाइसिकल" कहा जाता है) खोजा जो वर्तमान में ज्ञात सर्वश्रेष्ठ कोड ( "ग्रॉस कोड") के प्रदर्शन से मेल खाता है, लेकिन एक अलग, अधिक जटिल संरचना का उपयोग करता है। यह एक नए इंजन डिजाइन को खोजने जैसा है जो उसी माइलेज को प्राप्त करता है जो बाजार की सबसे अच्छी कार का है, लेकिन ईंधन के एक अलग प्रकार का उपयोग करता है।
अधिक डेटा, समान सुरक्षा: उन्होंने ऐसे कोड खोजे जो पिछले रिकॉर्ड (54 लॉजिकल क्यूबिट्स तक) की तुलना में अधिक डेटा स्टोर कर सकते हैं, जबकि पर्याप्त स्तर की सुरक्षा बनाए रखते हैं।
"डिकम्पोजेबल" खोज: सिस्टम ने एक ऐसा कोड खोजा जो एक सुपर-एडवांस्ड लॉक की तरह दिखता था। हालांकि, रेफरी के ग्राफ विश्लेषण ने खुलासा किया कि यह वास्तव में दो साधारण तालों को आपस में चिपका देने जैसा था। यह कोई नई खोज नहीं थी; यह बस दो मौजूदा तालों का एक साथ होना था। इससे सिस्टम की "नकली" जटिलता को पहचानने की क्षमता का पता चला।

4. "रेट बनाम डिस्टेंस" का ट्रेड-ऑफ

शोधकर्ताओं ने इन सभी कोड्स के परिदृश्य (landscape) का मानचित्र बनाया और एक निरंतर नियम पाया, जैसे कि इन तालों के लिए भौतिकी का कोई नियम हो:

एनवेलप (The Envelope): आप आम तौर पर ऐसा ताला नहीं रख सकते जो विशाल मात्रा में डेटा स्टोर करे और साथ ही अत्यंत मजबूत भी हो।
वक्र (The Curve): यदि आप अधिक डेटा (उच्च रेट) स्टोर करना चाहते हैं, तो ताला तोड़ना आसान हो जाता है (कम डिस्टेंस)। यदि आप एक सुपर-टफ लॉक चाहते हैं, तो आपको कम डेटा स्टोर करना होगा।
अपवाद: उन्होंने कुछ ऐसे कोड पाए जो इस वक्र की सीमाओं को चुनौती देते हैं (जैसे कि 50 डेटा यूनिट और डिस्टेंस 8 वाला कोड), लेकिन वे अभी भी इस ट्रेड-ऑफ के मौलिक "एनवेलप" को तोड़ने में सक्षम नहीं थे।

5. यह क्यों महत्वपूर्ण है

यह शोध पत्र निष्कर्ष निकालता है कि कंप्यूटर प्रोग्रामों को विकसित करने के लिए AI का उपयोग करना नए क्वांटम कोडों की खोज के लिए एक व्यावहारिक, कम लागत वाला उपकरण है।

इसने ऐसे कोड खोजे जिन्हें इंसान और पारंपरिक गणितीय खोजें मिस कर गई थीं।
इसने साबित किया कि मानक परीक्षण उपकरण उच्च-प्रदर्शन वाले कोडों के लिए खतरनाक रूप से गलत हो सकते हैं, जिसके लिए सख्त "रेफरी" (MILP) के उपयोग की आवश्यकता होती है।
इसने प्रदर्शित किया कि AI "जालों" से बचना सीख सकता है और जटिल बीजगणितीय पैटर्न (algebraic patterns) की खोज कर सकता है जो विभिन्न आकार के क्वांटम कंप्यूटरों के लिए सामान्य (generalize) हो सकते हैं।

संक्षेप में, शोधकर्ताओं ने एक "कोड जनरेटर" को विकसित करने के लिए AI का उपयोग किया, उसे नकली परिणामों को अनदेखा करना सिखाया, और सफलतापूर्वक नए प्रकार के क्वांटम तालों की खोज की जो पहले के किसी भी मॉडल की तुलना में अधिक मजबूत, अधिक कुशल या बस अलग हैं।

तकनीकी सारांश: LLM-निर्देशित खोज के माध्यम से द्व변ीय बाइसिकल कोड्स (Bivariate Bicycle Codes) की विकासवादी खोज

समस्या विवरण

क्वांटम लो-डेंसिटी पैरिटी-चेक (qLDPC) कोड्स, विशेष रूप से द्व변ीय बाइसिकल (BB) कोड्स की खोज के लिए अनुकूल दर-दूरी-थ्रेशोल्ड (rate–distance–threshold) ट्रेडऑफ वाले कोड्स खोजने हेतु विशाल कॉम्बिनेटोरियल डिज़ाइन स्पेस में नेविगेट करने की आवश्यकता होती है। जबकि BB कोड्स वजन-6 स्टेबलाइजर्स और निकट-अवधि हार्डवेयर के अनुकूल कॉन्स्टेंट-डेप्थ सिंड्रोम एक्सट्रैक्शन प्रदान करते हैं, व्यावहारिक ब्लॉक लंबाई ( $n \lesssim 1000$ ) के लिए उच्च-प्रदर्शन वाले कोड्स का परिदृश्य काफी हद तक अनछुआ रहा है। मौजूदा व्यवस्थित गणनाएँ अक्सर विशिष्ट बहुपद रूपों या छोटे ब्लॉक लेंथ तक सीमित होती हैं, और खोज स्थान में निरंतर अनुकूलन (continuous optimization) के अनुकूल ग्रेडिएंट संरचना का अभाव होता है। इसके अलावा, उम्मीदवार कोड्स के मापदंडों (विशेष रूप से न्यूनतम दूरी $d$ ) को प्रमाणित करना कम्प्यूटेशनल रूप से कठिन है; मानक ह्यूरिस्टिक विधियाँ जैसे कि बेलिफ प्रोपेगेशन विद ऑर्डर्ड स्टैटिस्टिक्स डिकोडिंग (BP-OSD), दूरी को व्यवस्थित रूप से अधिक आंकने (overestimate करने) के लिए जानी जाती हैं, विशेष रूप से उच्च-दर वाले कोड्स के लिए, जिससे विकासवादी खोजों में अविश्वसनीय फिटनेस सिग्नल मिलते हैं।

कार्यप्रणाली

लेखक एक LLM-निर्देशित विकासवादी वर्कफ़्लो पेश करते हैं जिसे क्वांटम कोड्स की खोज और सत्यापन के लिए डिज़ाइन किया गया है। व्यक्तिगत कोड मापदंडों को विकसित करने के बजाय, यह प्रणाली जेनरेटर एंसेट्स (generator ansätze)—अर्थात पायथन प्रोग्राम्स को विकसित करती है जो मनमाने लैट्टिस आयामों (lattice dimensions) के लिए संभावित बहुपद युग्मों (या गैर-CSS कोड्स के लिए 4-टुपल्स) का उत्पादन करते हैं।

विकासवादी ढांचा (Evolutionary Framework)

एल्गोरिदम: सिस्टम MAP-Elites एल्गोरिदम के कार्यान्वयन, OpenEvolve का उपयोग करता है, जो कोड जेनरेटर्स को उत्परिवर्तित (mutate) करने के लिए एक लार्ज लैंग्वेज मॉडल (LLM) को निर्देशित करता है।
उत्परिवर्तन रणनीति (Mutation Strategy): LLM वर्तमान उच्चतम-फिटनेस एंसेट, डोमेन ज्ञान और मूल्यांकन फीडबैक प्राप्त करता है, और पूर्ण पुनर्लेखन के बजाय लक्षित कोड 'डिफ्स' (जैसे एक्सपोनेंट एडजस्टमेंट, कंट्रोल-फ्लो रीस्ट्रक्चरिंग) का प्रस्ताव देता है।
जनसंख्या (Population): खोज को विविधता बनाए रखने के लिए आवधिक प्रवासन (periodic migration) के साथ कई "आइसलैंड्स" में वितरित किया जाता है। आर्काइव एंसेट्स को व्यवहारिक आयामों जैसे कि वैध कोड yielding करने वाले लैट्टिस की संख्या और उच्च-गुणवत्ता वाले कोड्स की कुल संख्या के आधार पर इंडेक्स करता है।

चरणबद्ध सत्यापन पाइपलाइन (Staged Validation Pipeline)

ह्यूरिस्टिक दूरी अनुमान की अविश्वसनीयता को कम करने के लिए, लेखक एक बहु-चरणीय कैस्केड का उपयोग करते हैं:

चरण 1 (स्क्रीनिंग): $\text{GF}(2)$ रैंक के माध्यम से एनकोडिंग आयाम $k$ की गणना करने के लिए छोटे लैट्टिस पर तीव्र मूल्यांकन। जो एंसेट्स वैध कोड बनाने में विफल रहते हैं, उन्हें हटा दिया जाता है।
चरण 2 (ह्यूरिस्टिक अनुमान): जीवित बचे हुए एंसेट्स का बड़े लैट्टिस पर कई डिकोडर कॉन्फ़िगरेशन (OSD0, OSD-CS10) का उपयोग करके दूरी $d$ का अनुमान लगाने के लिए मूल्यांकन किया जाता है।
चरण 3 (सटीक सत्यापन): शीर्ष उम्मीदवारों के लिए (और बाद के अभियानों में, इन-लूप में), सटीक दूरियों या कठोर ऊपरी सीमाओं की गणना करने के लिए मिक्स्ड-इंटिजर लीनियर प्रोग्रामिंग (MILP) का उपयोग किया जाता है। यह चरण BP-OSD द्वारा देखे गए व्यवस्थित ओवरएस्टिमेशन को ठीक करने के लिए महत्वपूर्ण है।
पोस्ट-कैंपेन विश्लेषण: इसमें पर्स्यूटेशन-इक्विवेलेंट कोड्स की पहचान करने के लिए BLISS-आधारित टैनर ग्राफ डुप्लीकेशन, डिकम्पोजेबिलिटी विश्लेषण (डायरेक्ट सम का पता लगाने के लिए), और गैर-CSS कोड्स के लिए लोकल-क्लिफोर्ड (LC) इक्विलवेंस चेक शामिल है।

कोड परिवार (Code Families)

CSS BB कोड्स: $\mathbb{F}_2[x,y]/(x^\ell-1, y^m-1)$ पर दो ट्रिनोमिअल्स $A, B$ द्वारा परिभाषित।
पर्टर्बड BB (PBB) कोड्स: एक गैर-CSS एंसेट जो मिश्रित स्टेबलाइजर्स बनाने के लिए पर्टर्बेशन पॉलीनोमियल्स $C, D$ पेश करता है, जिससे गैर-CSS संरचनाओं की अनुमति मिलती है।

मुख्य योगदान

1. 465 विशिष्ट कोड्स की खोज

पाँच विकासवादी अभियानों में, सिस्टम ने $n \le 360$ पर 465 विशिष्ट कोड्स की खोज की:

97 CSS कोड्स: 97 विशिष्ट प्रतिनिधियों (99 इक्विलवेंस क्लासेस सहित) सहित। उल्लेखनीय निष्कर्ष:
- [[288, 16, 12]] कोड: एक इंडिकम्पोजेबल CSS कोड जिसका $d=12$ (सटीक) है और सभी शिफ्ट्स $\le 3$ हैं।
- उच्च-वजन वाले कोड्स: नए $(k, d)$ संयोजनों को प्राप्त करने वाले वजन-8 कोड्स की खोज, जैसे कि [[288, 50, 8]] ( $k=50, d=8$ )।
- ज्ञात उच्च-प्रदर्शन वाले कोड्स की रिकवरी (जैसे, "ग्रॉस कोड" [[144, 12, 12]]) और नए परिमित-लंबाई वाले प्रतिनिधियों की पहचान।
368 गैर-CSS PBB कोड्स: मिश्रित स्टेबलाइजर्स का उपयोग करने वाले कोड्स। खोज में एक [[144, 12, 12]] PBB कोड मिला जो ग्रॉस कोड के फिगर ऑफ मेरिट (FOM) से मेल खाता है, और एक [[360, 12, $\le$ 24]] कोड मिला जिसका विश्वसनीय FOM अपर बाउंड 19.2 है।

2. सत्यापन में पद्धतिगत प्रगति

BP-OSD ओवरएस्टिमेशन: अध्ययन मात्रात्मक रूप से बताता है कि BP-OSD उच्च-दर वाले कोड्स ( $k/n > 0.1$ ) के लिए दूरी को व्यवस्थित रूप से अधिक आंकता है, जिसमें त्रुटियां 12 $\times$ तक पहुँच जाती हैं। उदाहरण के लिए, एक [[360, 40, 2]] कोड को BP-OSD द्वारा $d \le 24$ के रूप में अनुमानित किया गया था, जबकि MILP ने पुष्टि की कि $d=2$ है।
अचीवेबल-सिंड्रोम सैंपलिंग (Achievable-Syndrome Sampling): गैर-CSS कोड्स के लिए, मानक रैंडम सिंड्रोम सैंपलिंग विफल हो जाती है क्योंकि अचीवेबल लॉजिकल कोसेट्स एक सख्त सबस्पेस बनाते हैं। लेखक एक ऐसी विधि पेश करते हैं जो केवल अचीवेबल सबस्पेस से ही सैंपल करती है, जिससे BP-OSD फंक्शनलिटी बहाल होती है।
MILP ग्राउंड ट्रुथ: सत्यापन मानक के रूप में MILP के उपयोग ने प्रकट किया कि कई उच्च- $k$ उम्मीदवार वास्तव में कम-दूरी वाले या डिकम्पोजेबल थे (उदाहरण के लिए, [[288, 24, 12]] कोड को दो ग्रॉस कोड्स के डायरेक्ट सम के रूप में पहचाना गया था)।

3. BB परिदृश्य का संरचनात्मक लक्षण वर्णन

लेखक चार बीजगणितीय परिवारों की पहचान करते हैं जिनके विशिष्ट दर-दूरी प्रोफाइल हैं:

यूनिवेरिएट/HGP: चक्रीय कोड्स के हाइपरग्राफ प्रोडक्ट के समकक्ष कोड्स। ये उच्चतम एनकोडिंग डायमेंशन ( $k \propto \ell$ ) प्राप्त करते हैं लेकिन $d \le 4$ के डिस्टेंस सीलिंग से ग्रस्त होते हैं।
x/y-swap: पॉलीनोमियल्स में मिश्रित वेरिएबल्स वाले कोड्स, जो $d \ge 12$ प्राप्त करते हैं लेकिन इंडिकम्पोजेबल कोड्स के लिए $k \le 16$ तक सीमित हैं।
मिक्स्ड-मोनोमियल/हायर-वेट: 4-6 टर्म वाले पॉलीनोमियल्स वाले कोड्स जो नए $(k, d)$ पॉइंट्स तक पहुँचते हैं (जैसे, $d=8$ पर $k=50$ ), लेकिन समग्र दर-दूरी एनवेलप से बाहर नहीं निकल पाते।
गैर-CSS PBB: कोड्स जो $n=144$ पर सर्वश्रेष्ठ CSS कोड्स के FOM से मेल खाते हैं लेकिन उससे आगे नहीं बढ़ते।

4. अनुभवजन्य दर-दूरी ट्रेडऑफ (Empirical Rate–Distance Tradeoff)

खोज एक सुसंगत अनुभवजन्य ट्रेडऑफ प्रकट करती है: उच्च एनकोडिंग दर आमतौर पर कम दूरी के साथ आती है।

$d=12$ के साथ इंडिकम्पोजेबल वजन-6 कोड्स $k \le 16$ तक सीमित हैं।
$k > 24$ वाले वजन-6 कोड्स सार्वभौमिक रूप से $d \le 4$ रखते हैं।
उच्च-वजन वाले कोड्स (वजन-8) मध्यम $d$ पर उच्च $k$ तक पहुँच सकते हैं (जैसे, $d=8$ पर $k=50$ ) लेकिन देखे गए एनवेलप को नहीं तोड़ते हैं।

परिणाम और महत्व

मुख्य निष्कर्ष

LLM प्रभावकारिता: LLM-निर्देशित विकास सफलतापूर्वक बीजगणितीय पैटर्न (जैसे, यूनिवेरिएट स्ट्रक्चर, x/y-swap) की खोज करता है जो लैट्टिस आयामों में सामान्य होते हैं, और उच्च-FOM कोड्स ( $d \ge 6$ ) खोजने में रैंडम सर्च और मानक जेनेटिक एल्गोरिदम से बेहतर प्रदर्शन करता है।
सत्यापन की आवश्यकता: अध्ययन सिद्ध करता है कि उच्च-दर वाले कोड की खोज के लिए ह्यूरिस्टिक दूरी अनुमान अपर्याप्त है। "A = B डिस्टेंस ट्रैप" (जहाँ $A=B$ होने पर $d=2$ होता है) को BP-OSD द्वारा $1.5 \times 10^6$ परीक्षणों के बाद भी अनडिटेक्टेड रखा गया, लेकिन MILP पाइपलाइन द्वारा तुरंत पहचाना गया।
हार्डवेयर प्रासंगिकता: खोजे गए कोड्स, जैसे कि [[288, 16, 12]], ग्रॉस कोड की तुलना में बेहतर लॉजिकल क्यूबिट काउंट (1.7 $\times$ तक) प्रदान करते हैं, जबकि सरफेस कोड के तुलनीय स्यूडो-थ्रेशोल्ड बनाए रखते हैं। गैर-CSS PBB कोड्स विशिष्ट शोर मॉडल्स (X-only) के तहत बेहतर एरर सप्रेशन की क्षमता दिखाते हैं, हालांकि मानक डिकोडर्स के साथ डिपोलराइजिंग नॉइज़ के तहत यह लाभ कम हो जाता है।

महत्व

पेपर दावा करता है कि LLM-निर्देशित प्रोग्राम इवोल्यूशन, जब कठोर, बहु-चरणीय स्वतंत्र सत्यापन (विशेष रूप से MILP) के साथ जोड़ा जाता है, तो संरचित क्वांटम कोड खोज के लिए एक व्यावहारिक और लागत प्रभावी उपकरण के रूप में कार्य करता है। लगभग $400 की कुल कम्प्यूटेशनल लागत और 140 घंटे का समय इस दृष्टिकोण की व्यवहार्यता को प्रदर्शित करता है।

यह कार्य उच्च-दर वाले BB कोड दावों के लिए एक नया सत्यापन मानक स्थापित करता है, जो ह्यूरिस्टिक अनुमानों और सटीक दूरी के बीच के महत्वपूर्ण अंतर को उजागर करता है। यह क्वांटम कोड्स के कॉम्बिनेटोरियल स्पेस को खोजने के लिए एक पुन: प्रयोज्य ढांचा प्रदान करता है, जो यह दर्शाता है कि जबकि दर-दूरी एनवेलप मजबूत है, संरचित खोज इसके भीतर नए, उच्च-प्रदर्शन वाले प्रतिनिधियों को खोज सकती है। लेखक नोट करते हैं कि इस एनवेलप से बाहर निकलने के लिए संभवतः द्व변ीय बाइसिकल परिवार से आगे बढ़कर अधिक जटिल बीजगणितीय संरचनाओं की ओर बढ़ना होगा।