⚛️ quantum physics

Large-Language-Model Discovery of Quantum LDPC Codes through Structured Concept Evolution

यह शोध पत्र स्ट्रक्चर्ड कॉन्सेप्ट इवोल्यूशन (SCE) प्रस्तुत करता है, जो एक ऐसा खोज ढांचा है जो क्वांटम लो-डेंसिटी पैरिटी-चेक (qLDPC) कोड के विविध और प्रतिस्पर्धी परिवारों को स्वचालित रूप से खोजने के लिए लार्ज लैंग्वेज मॉडल्स को बीजगणितीय उत्परिवर्तन व्याकरणों (algebraic mutation grammars) के साथ जोड़ता है, जिसमें गैर-आबेली समूहों (non-abelian groups) पर नवीन निर्माण भी शामिल हैं।

मूल लेखक: Zidu Liu, Florian Marquardt

प्रकाशित 2026-06-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zidu Liu, Florian Marquardt

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

बड़ी समस्या: एक क्वांटम किला बनाना

कल्पना कीजिए कि आप रेत (क्वांटम कंप्यूटर) से एक महल बनाने की कोशिश कर रहे हैं। समस्या यह है कि हवा (शोर और त्रुटियाँ) लगातार रेत के माध्यम से चलती रहती है, जिससे उपयोग में आने से पहले ही महल नष्ट हो जाता है। इसे ठीक करने के लिए, आपको एक ऐसा "किला" बनाने की आवश्यकता है जो खुद की मरम्मत कर सके। क्वांटम दुनिया में, इसे क्वांटम एरर करेक्शन (Quantum Error Correction) कहा जाता है।

लंबे समय तक, इस किले को बनाने का सबसे अच्छा तरीका "सरफेस कोड" (Surface Code) था। इसे एक सपाट, 2D ग्रिड पर महल बनाने की तरह समझें। यह मजबूत तो है, लेकिन यह अविश्वसनीय रूप से बर्बादी भरा है। जानकारी के केवल एक टुकड़े (एक लॉजिकल क्यूबिट) की रक्षा करने के लिए, आपको बहुत बड़ी संख्या में रेत के कणों (फिजिकल क्यूबिट्स) का उपयोग करना होगा—लगभग उनके एक वर्ग (square) की तरह। यह एक छोटे से तिजोरी को बनाने के लिए पूरे स्टेडियम की ईंटों का उपयोग करने जैसा है। जैसे-जैसे हम वास्तविक क्वांटम कंप्यूटर बनाने के करीब पहुँच रहे हैं, यह बर्बादी एक बड़ी बाधा बनती जा रही है।

हमें एक नए प्रकार के किले की आवश्यकता है: जो स्पार्स (sparse) हो (कम ईंटों का उपयोग करे) लेकिन डेंस (dense) हो (अधिक जानकारी की रक्षा करे)। गणितीय शब्दों में, हम क्वांटम लो-डेंसिटी पैरिटी-चेक (qLDPC) कोड्स की तलाश कर रहे हैं। ये वे "कुशल किले" हैं जिन्हें हम चाहते हैं।

चुनौती: सही ब्लूप्रिंट खोजना

इन कुशल किलों को डिजाइन करना आकाशगंगा के आकार की घास के ढेर (haystack) में सुई खोजने जैसा है।

"सुइयां" विशिष्ट गणितीय सूत्र (कोड) हैं जो पूरी तरह से काम करते हैं।
"घास का ढेर" गलत सूत्रों की अनंत संख्या है।
पारंपरिक रूप से, मनुष्यों को अपनी अंतर्दृष्टि या ब्रूट-फोर्स चेकिंग का उपयोग करके इन सूत्रों का अनुमान लगाना पड़ता था, जो धीमा है और अक्सर सर्वोत्तम डिजाइनों को छोड़ देता है।

समाधान: एक "कॉन्सेप्ट इवोल्यूशन" टीम

इस शोध पत्र के लेखकों ने स्ट्रक्चर्ड कॉन्सेप्ट इवोल्यूशन (SCE) नामक एक नई विधि पेश की है। कंप्यूटर से रैंडम नंबर गेस करने के लिए कहने के बजाय, उन्होंने एक लार्ज लैंग्वेज मॉडल (LLM) का उपयोग किया—जो एक प्रकार का AI है जो भाषा और पैटर्न को समझने में बहुत अच्छा है—एक रचनात्मक वास्तुकार (creative architect) के रूपв में।

यहाँ उनका सिस्टम कैसे काम करता है, "लेगो" (Lego) उपमा का उपयोग करते हुए:

1. ब्लूप्रिंट (अवधारणा/Concept)

AI को एक बार में पूरा महल बनाने के लिए कहने के बजाय, वे उससे एक विशिष्ट प्रकार का महल बनाने के लिए निर्देश पुस्तिका (ब्लूप्रिंट या "कॉन्सेप्ट") डिजाइन करने के लिए कहते हैं।

इस मैनुअल में नियम शामिल हैं (किस प्रकार की लेगो ईंटों का उपयोग करना है, जो गणितीय समूहों का प्रतिनिधित्व करती हैं)।
इसमें आकार (ईंटों की कितनी पंक्तियाँ और कॉलम) शामिल है।
इसमें एक कंप्यूटर प्रोग्राम शामिल है जो उन नियमों के आधार पर तुरंत महल बना सकता है।

2. विकास (उत्परिवर्तन/Evolution)

AI केवल अनुमान नहीं लगाता; यह विकसित होता है। सिस्टम कुछ ज्ञात ब्लूप्रिंट्स से शुरू होता है और फिर AI से उनमें म्यूटेशन (परिवर्तन) करने के लिए कहता है। AI के पास ब्लूप्रिंट को बदलने के तीन तरीके हैं, जो तीन कठिनाई स्तरों वाले खेल की तरह हैं:

स्तर 1 (पेंट जॉब): आकार और ईंट के प्रकार को समान रखें, लेकिन केवल ईंटों पर विशिष्ट रंगों या पैटर्न को बदल दें। (छोटे, स्थानीय बदलाव)।
स्तर 2 (आर्किटेक्चर): महल के आकार को बदलें। शायद इसे लंबा या चौड़ा बनाएं, लेकिन अभी भी उसी प्रकार की ईंटों का उपयोग करें। (मध्यम बदलाव)।
स्तर 3 (नींव): पूरी तरह से ईंट के मूल प्रकार को ही बदल दें। शायद मानक वर्गाकार ईंटों से बदलकर त्रिकोणीय ईंटों पर आ जाएं, या लकड़ी से प्लास्टिक पर। यह एक बड़ा बदलाव है जिसके लिए पूरी नियम पुस्तिका को फिर से लिखना आवश्यक है। (बड़े, संरचनात्मक बदलाव)।

3. फिटनेस टेस्ट

एक बार जब AI एक नया ब्लूप्रिंट प्रस्तावित करता है, तो कंप्यूटर तुरंत महल (कोड) बनाता है और एक सिम्युलेटेड तूफान (शोर) में उसका परीक्षण करता है।

यदि महल अच्छी तरह से टिका रहता है, तो उसे उच्च स्कोर मिलता है।
यदि वह ढह जाता है, तो उसे कम स्कोर मिलता है।
सिस्टम अब तक मिले सर्वश्रेष्ठ ब्लूप्रिंट्स का एक "हॉल ऑफ फेम" (अभिलेखागार) रखता है, यह सुनिश्चित करता है कि वह केवल एक अच्छा महल न खोजे, बल्कि विभिन्न, उच्च-प्रदर्शन वाले डिजाइनों का एक विविध संग्रह खोजे।

उन्होंने क्या पाया

इस विकासवादी प्रक्रिया को चलाकर, AI ने कई नए, अत्यधिक कुशल क्वांटम कोड की खोज की।

बेहतर दक्षता: कुछ नए कोड पुराने "सरफेस कोड" तरीकों की तुलना में बहुत कम फिजिकल क्यूबिट्स का उपयोग करके जानकारी की रक्षा कर सकते हैं।
नई सामग्रियां: AI केवल उन्हीं "मानक" गणितीय समूहों पर नहीं टिका रहा जिनका उपयोग मनुष्य आमतौर पर करते हैं। इसने नॉन-अबेलियन ग्रुप्स (जटिल, मुड़े हुए गणितीय संरचनाएं) पर आधारित कोड खोजे जिन्हें मनुष्यों ने पहले इस उद्देश्य के लिए नहीं खोजा था।
प्रदर्शन: परीक्षण के दौरान, इन नए कोडों ने मौजूदा सर्वोत्तम डिजाइनों (जैसे "बाइवेरिएट-बाइसाइकिल" कोड) के बराबर या उनसे बेहतर प्रदर्शन किया, जबकि वे बहुत अधिक कुशल भी थे।

मुख्य निष्कर्ष

यह शोध पत्र दिखाता है कि हम AI का उपयोग न केवल उन समस्याओं को हल करने के लिए कर सकते हैं जिन्हें हम पहले से जानते हैं, बल्कि नई गणितीय संरचनाओं का आविष्कार करने के लिए भी कर सकते हैं जिन्हें मनुष्यों ने अभी तक नहीं सोचा है। कोड डिजाइन को एक विकासवादी प्रक्रिया के रूप में मानकर, जहाँ एक AI बेहतर ब्लूप्रिंट "ब्रीड" (पैदा) करता है, शोधकर्ताओं ने विविध सेट के क्वांटम एरर-करेक्टिंग कोड खोजे जो भविष्य के क्वांटम कंप्यूटरों को छोटा, सस्ता और अधिक शक्तिशाली बना सकते हैं।

उन्होंने यह सब अपेक्षाकृत छोटे, हल्के AI मॉडल का उपयोग करके हासिल किया, जो यह साबित करता है कि आपको सुपर-एफिशिएंट क्वांटम कोड खोजने के लिए सुपर-कंप्यूटर की आवश्यकता नहीं है; आपको बस सही विकासवादी रणनीति की आवश्यकता है।

तकनीकी सारांश: संरचित अवधारणा विकास (Structured Concept Evolution) के माध्यम से क्वांटम LDPC कोडों की लार्ज-लैंग्वेज-मॉडल खोज

समस्या विवरण
क्वांटम एरर करेक्शन (QEC) स्केलेबल क्वांटम कंप्यूटिंग के लिए एक पूर्व शर्त है। जबकि सरफेस कोड अपने उच्च थ्रेशोल्ड और प्लेनर ज्योमेट्री के कारण मानक रहा है, यह एक लुप्त होती एनकोडिंग दर ( $\Theta(d^{-2})$ ) से ग्रस्त है, जिसके लिए प्रत्येक लॉजिकल क्वबिट के प्रति भौतिक क्वबिट का द्विघातीय ओवरहेड (quadratic overhead) आवश्यक होता है। क्वांटम लो-डेंसिटी पैरिटी-चेक (qLDPC) कोड एक आशाजनक विकल्प प्रदान करते हैं क्योंकि वे स्पार्स पैरिटी चेक्स को सीमित एनकोडिंग दरों और बढ़ते हुए डिस्टेंस के साथ जोड़ते हैं, जो निरंतर ओवरहेड के साथ फॉल्ट-टोलरेंट कंप्यूटेशन को सक्षम कर सकते हैं। हालांकि, उच्च-प्रदर्शन वाले qLDPC कोडों का निर्माण एक चुनौतीपूर्ण डिस्क्रीट डिज़ाइन समस्या है। मौजूदा परिवार (जैसे, हाइपरग्राफ प्रोडक्ट, जनरलाइज्ड बाइसिकल, लिफ्टेड प्रोडक्ट) समूह-बीजगणित तत्वों या प्रोटोग्राफ पॉलिनोमिअल्स द्वारा पैरामीटराइज्ड बीजगणितीय उत्पाद निर्माणों पर निर्भर करते हैं। कोड का प्रदर्शन महत्वपूर्ण रूप से इन विशिष्ट मापदंडों के चयन पर निर्भर करता है, फिर भी विशाल एक्सपोनेंशियल सर्च स्पेस के भीतर व्यवहार्य क्षेत्र अत्यंत सूक्ष्म है। वर्तमान खोज विधियाँ विशेषज्ञ अंतर्ज्ञान, छोटे इंस्टेंस के विस्तृत अन्वेषण, या रैंडम सैंपलिंगिंग पर निर्भर करती हैं, जो व्यावहारिक अनुप्रयोगों के लिए आवश्यक ब्लॉक लंबाई तक नहीं पहुँच पाती हैं।

कार्यप्रणाली: संरचित अवधारणा विकास (Structured Concept Evolution - SCE)
लेखक स्ट्रक्चर्ड कॉन्सेप्ट इवोल्यूशन (SCE) पेश करते हैं, जो एक ऐसा सर्च फ्रेमवर्क है जो लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग कोडों को शून्य से डिजाइन करने के लिए नहीं, बल्कि संरचित अवधारणाओं (structured concepts) को विकसित करने के लिए करता है। इस फ्रेमवर्क में, एक "इंडिविजुअल" (individual) कोई विशिष्ट पैरिटी-चेक मैट्रिक्स नहीं है, बल्कि एक उच्च-स्तरीय संरचित अवधारणा $\Sigma$ है जो एक निष्पादन योग्य प्रोग्राम $P_\Sigma$ के साथ जुड़ा हुआ है। अवधारणा $\Sigma$ बीजगणितीय निर्माण (जैसे, बेस ग्रुप, प्रोटोग्राफ शेप, लोकल सीड मैट्रिसेस) को निर्दिष्ट करती है, जबकि $P_\Sigma$ किसी भी स्वीकार्य ब्लॉक लंबाई के लिए CSS पैरिटी-चेक मैट्रिसेस ( $H_X, H_Z$ ) उत्पन्न करता है।

SCE प्रक्रिया इस प्रकार कार्य करती है:

सर्च स्पेस: खोज को लिफ्टेड-प्रोडक्ट (LP) CSS कोड्स तक सीमित रखा गया है, जो हाइपरग्राफ प्रोडक्ट का एक सामान्यीकरण है और सबसे शक्तिशाली आधुनिक qLDPC कोड प्रदान करता है।
पदानुक्रमित उत्परिवर्तन (Hierarchical Mutation): एक LLM तीन अलग-अलग स्तरों पर संरचित अवधारणा में संपादन प्रस्तावित करके एक उत्परिवर्तन ऑपरेटर के रूप में कार्य करता है:
- स्तर 1 (लोकल): बेस मैट्रिसेस $A$ और $B$ के ग्रुप-अलजेब्रा एंट्रीज (सीड्स) को संशोधित करता है, जबकि ग्रुप फैमिली और प्रोटोग्राफ शेप को स्थिर रखता है।
- स्तर 2 (शेप/स्केलिंग): प्रोटोग्राफ आयामों ( $m_A \times n_A, m_B \times n_B$ ) और स्केलिंग नियम को बदलता है, जिससे ब्लॉक लंबाई और संरचना बदल जाती है, जबकि ग्रुप फैमिली को स्थिर रखा जाता है।
- स्तर 3 (अलजेब्रिक): बेस ग्रुप फैमिली को बदल देता है (जैसे, एबेलियन से नॉन-एबेलियन समूहों में संक्रमण), जिसके लिए वैधता बनाए रखने के लिए प्रोटोग्राफ शेप और स्थानीय प्रविष्टियों को फिर से लिखना आवश्यक होता है।
क्वालिटी-डाइवर्सिटी आर्काइव: केवल एक एकल इष्टतम (optimum) तक पहुँचने के बजाय, SCE एक क्वालिटी-डाइवर्सिटी आर्काइव (MAP-Elites एल्गोरिदम का उपयोग करके) बनाए रखता है जो विभिन्न बेस ग्रुप्स, एनकोडिंग रेट्स और डिकोडिंग प्रदर्शनों के माध्यम से प्रतिस्पर्धी निर्माणों को संग्रहीत करता है।
मूल्यांकन: उम्मीदवारों का मूल्यांकन डिपोलराइजिंग नॉइज़ के तहत बेलिफ प्रोपेगेशन विद ऑर्डर्ड स्टैटिस्टिक्स डिकोडिंग (BP+OSD) के साथ किया जाता है। एक फिटनेस स्कोर $S$ की गणना एनकोडिंग रेट $k/n$ और एरर सप्रेशन एक्सपोनेंट $\alpha(p)$ के आधार पर की जाती है, जिसमें संरचनात्मक रूप से समान कोडों को दोबारा खोजने से बचने के लिए एक नोवेल्टी फैक्टर द्वारा दंडित किया जाता है।
कार्यान्वयन: यह फ्रेमवर्क OpenEvolve इंफ्रास्ट्रक्चर का उपयोग करके लाइटवेट मॉडल्स (GPT-5.4-mini और GPT-5.4-nano) पर चलता है।

प्रमुख योगदान

फ्रेमवर्क: SCE का परिचय, जो LLMs को एक संरचित बीजगणितीय उत्परिवर्तन व्याकरण के साथ जोड़ता है ताकि लिफ्टेड-प्रोडक्ट कोड परिवारों की खोज की जा सके। यह दृष्टिकोण खोज को कच्चे मैट्रिक्स प्रविष्टियों से हटाकर सुसंगत बीजगणितीय अवधारणाओं की ओर ले जाता है।
विविध परिवारों की खोज: विधि सफलतापूर्वक एबेलियन निर्माणों से लेकर नॉन-एबेलियन समूहों तक प्रतिस्पर्धी कोड परिवारों की खोज करती है जो स्टैंडर्ड डिजाइन्स जैसे कि बाइवेरिएट-बाइसिकल (BB) कोड्स से आगे जाते हैं।
प्रदर्शन बेंचमार्किंग: लेखक डिपोलराइजिंग नॉइज़ के तहत खोजे गए कोडों का लक्षण वर्णन करते हैं, यह प्रदर्शित करते हुए कि वे $n \approx 1500$ की ब्लॉक लंबाई के आसपास उच्च एनकोडिंग दर (अप टू $k/n \approx 0.13$ ) प्राप्त करते हैं।
दक्षता: पूरी खोज प्रक्रिया हल्के वजन वाले LLMs का उपयोग करके पूरी की जाती है, जो यह प्रदर्शित करती है कि जटिल बीजगणितीय डिजाइन समस्याओं को विशाल कम्प्यूटेशनल संसाधनों के बिना भी हल किया जा सकता है।

परिणाम

कोड परिवार: तीन राउंड के 1000 इटरेशन के बाद, खोज ने 3000 संभावित निर्माण उत्पन्न किए। प्रतिनिधि एलीट कोड्स में शामिल हैं:
- एबेलियन: $Z_3 \times Z_{14}$ और $Z_2 \times Z_2 \times Z_{11}$ जैसे समूहों पर आधारित कोड।
- नॉन-एबेलियन: डाइसाइक्लिक ग्रुप्स ( $Dic_{11}$ ) और डायहेड्रल ग्रुप्स ( $D_{22}$ ), साथ ही सेमी-डायरेक्ट प्रोडक्ट्स जैसे $(Z_2 \times Z_2) \rtimes Z_{10}$ पर आधारित कोड।
प्रदर्शन मेट्रिक्स:
- खोजे गए सर्वश्रेष्ठ कोड $n \approx 1500$ के पास ब्लॉक लंबाई के साथ $k/n \approx 0.13$ की एनकोडिंग दर तक पहुँचते हैं।
- $p=0.06$ के फिजिकल एरर रेट पर BP+OSD डिकोडिंग के तहत, टॉप उम्मीदवारों के लिए लॉजिकल एरर रेट प्रति लॉजिकल क्वबिट ( $\epsilon_L$ ), बेसलाइन बाइवेरिएट-बाइसिकल कोड्स (जैसे, BB [[756, 16, 34]]) के बराबर या उससे कम है, जबकि वे लगभग पांच गुना अधिक लॉजिकल क्वबिट्स को एनकोड करते हैं।
- $k d^2 / n$ मीट्रिक (जो कोड की गुणवत्ता का एक प्रॉक्सी है) खोजे गए नॉन-एबेलियन कोड्स के लिए 51.9 तक के मान तक पहुँचता है।
विकासवादी गतिशीलता (Evolutionary Dynamics): पदानुक्रमित उत्परिवर्तन रणनीति स्थानीय परिशोधन (स्तर 1) और व्यापक संरचनात्मक अन्वेषण (स्तर 2 और 3) दोनों की अनुमति देती है। स्कोर का विकास खोज राउंड के दौरान प्रारंभिक स्कोर 0.17 से 0.62 तक निरंतर सुधार दिखाता है।

महत्व और दावे
पेपर का दावा है कि SCE उच्च-प्रदर्शन वाले qLDPC कोडों की खोज के लिए एक व्यवहार्य मार्ग प्रदान करता है, जो जटिल बीजगणितीय डिजाइन स्पेस के अन्वेषण को स्वचालित करता है। कच्चे मैट्रिक्स के बजाय संरचित अवधारणाओं को विकसित करके, यह विधि विशिष्ट आकार के स्टेबलाइजर्स पर खोज करने वाले पिछले मशीन लर्निंग दृष्टिकोणों की सीमाओं को पार करती है। परिणाम दर्शाते हैं कि LLM-निर्देशित खोज प्रतिस्पर्धी कोड परिवारों, जिनमें नॉन-एबेलियन निर्माण भी शामिल हैं जिन्हें पहले विस्तृत गणना (exhaustive enumeration) के माध्यम से खोजना कठिन था, की पहचान कर सकती है। लेखक इस कार्य को हार्डवेयर-अनुकूल कोड खोज की दिशा में एक कदम के रूप में प्रस्तुत करते हैं, यह नोट करते हुए कि यह फ्रेमवर्क अन्य कोड परिवारों (जैसे, बैलेंस्ड प्रोडक्ट, फाइबर-बंडल) के लिए विस्तार योग्य है और इसे विशिष्ट हार्डवेयर कनेक्टिविटी बाधाओं के साथ कोड के सह-डिजाइन (co-designing) के लिए अनुकूलित किया जा सकता है। यह कार्य अपने दावों में विनम्र है, जो सभी qLDPC डिजाइन चुनौतियों के निश्चित समाधान के बजाय प्रतिस्पर्धी निर्माणों की खोज को प्रस्तुत करता है, और यह स्वीकार करता है कि सटीक न्यूनतम-दूरी (minimum-distance) की गणना NP-hard बनी हुई है।