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

Sintesi Tecnica: Scoperta di Codici Quantistici LDPC tramite l'Evoluzione Strutturata di Concetti tramite Large Language Model

Problematica
La correzione degli errori quantistici (QEC) è un prerequisito per il calcolo quantistico scalabile. Sebbene il codice di superficie sia stato lo standard grazie alla sua alta soglia e geometria planare, esso soffre di un tasso di codifica evanescente ($\Theta(d^{-2})$), richiedendo un overhead quadratico di qubit fisici per ogni qubit logico. I codici quantistici low-density parity-check (qLDPC) offrono un'alternativa promettente combinando controlli di parità sparsi con tassi di codifica finiti e una distanza crescente, consentendo potenzialmente il calcolo fault-tolerant con un overhead costante. Tuttavia, la costruzione di codici qLDPC ad alte prestazioni è un problema di progettazione discreta complesso. Le famiglie esistenti (ad esempio, hypergraph product, generalized bicycle, lifted product) si basano su costruzioni di prodotti algebrici parametrizzate da elementi di algebra di gruppo o polinomi di protografo. Le prestazioni di questi codici dipendono criticamente dalla scelta specifica di tali parametri, eppure la regione percorribile all'interno dello spazio di ricerca esponenzialmente grande è infinitesima. I metodi di scoperta attuali si affidano pesantemente all'intuizione degli esperti, all'enumerazione esaustiva di piccole istanze o al campionamento casuale, che non scalano verso le lunghezze di blocco richieste per applicazioni pratiche.

Metodologia: Evoluzione Strutturata di Concetti (SCE)
Gli autori introducono la Structured Concept Evolution (SCE), un framework di ricerca che sfrutta i Large Language Models (LLM) non per progettare codici da primi principi, ma per evolvere concetti strutturati. In questo framework, un "individuo" non è una specifica matrice di controllo di parità, ma un concetto strutturato $\Sigma$ di livello superiore accoppiato a un programma eseguibile $P_\Sigma$. Il concetto $\Sigma$ specifica la costruzione algebrica (ad esempio, gruppo base, forma del protografo, matrici seed locali), mentre $P_\Sigma$ genera le matrici di controllo CSS ($H_X, H_Z$) per qualsiasi lunghezza di blocco ammissibile.

Il processo SCE opera come segue:

1. Spazio di Ricerca: La ricerca è limitata ai codici CSS Lifted-Product (LP), una generalizzazione dell'hypergraph product che produce alcuni dei più potenti codici qLDPC moderni.
2. Mutazione Gerarchica: Un LLM agisce come operatore di mutazione, proponendo modifiche al concetto strutturato a tre livelli distinti:
   • Livello 1 (Locale): Modifica le voci dell'algebra di gruppo (seed) delle matrici base $A$ e $B$ mantenendo fissa la famiglia di gruppi e la forma del protografo.
   • Livello 2 (Forma/Scaling): Cambia le dimensioni del protografo ($m_A \times n_A, m_B \times n_B$) e la regola di scaling, alterando la lunghezza di blocco e la struttura pur mantenendo fissa la famiglia di gruppi.
   • Livello 3 (Algebrico): Sostituisce la famiglia di gruppi base (ad esempio, passando da gruppi abeliani a non abeliani), richiedendo una riscrittura della forma del protografo e delle voci locali per mantenere la validità.
3. Archivio Qualità-Diversità: Invece di convergere verso un singolo ottimo, la SCE mantiene un archivio di qualità-diversità (utilizzando un algoritmo MAP-Elites) che memorizza costruzioni competitive attraverso diversi gruppi base, tassi di codifica e prestazioni di decodifica.
4. Valutazione: I candidati vengono valutati sotto rumore depolarizzante a capacità di codice utilizzando la decodifica Belief Propagation con Ordered Statistics Decoding (BP+OSD). Un punteggio di fitness $S$ viene calcolato in base al tasso di codifica $k/n$ e all'esponente di soppressione dell'errore $\alpha(p)$, penalizzato da un fattore di novità per evitare la riscoperta di codici strutturalmente simili.
5. Implementazione: Il framework viene eseguito su modelli leggeri (GPT-5.4-mini e GPT-5.4-nano) utilizzando l'infrastruttura OpenEvolve.

Contributi Chiave

• Framework: L'introduzione della SCE, che accoppia gli LLM con una grammatica di mutazione algebrica strutturata per scoprire famiglie di codici lifted-product. Questo approccio sposta la ricerca dalle matrici grezze a concetti algebrici coerenti.
• Scoperta di Famiglie Diverse: Il metodo scopre con successo famiglie di codici competitive che spaziano da costruzioni abelian a gruppi non abeliani che vanno oltre i design standard come i codici bivariate-bicycle (BB).
• Benchmarking delle Prestazioni: Gli autori caratterizzano i codici scoperti sotto rumore depolarizzante, dimostrando che raggiungono elevati tassi di codifica (fino a $k/n \approx 0.13$) con lunghezze di blocco intorno a $n \approx 1500$.
• Efficienza: L'intero processo di scoperta è ottenuto utilizzando LLM leggeri, dimostrando che problemi di progettazione algebrica complessi possono essere affrontati senza enormi risorse computazionali.

Risultati

• Famiglie di Codici: Dopo tre round di 1000 iterazioni, la ricerca ha generato 3000 costruzioni candidate. Le costruzioni élite rappresentative includono:
  • Abelian: Codici basati su gruppi come $Z_3 \times Z_{14}$ e $Z_2 \times Z_2 \times Z_{11}$.
  • Non-Abelian: Codici basati su gruppi diciclici ($Dic_{11}$) e diedri ($D_{22}$), nonché prodotti semi-diretti come $(Z_2 \times Z_2) \rtimes Z_{10}$.
• Metriche di Prestazione:
  • I migliori codici scoperti raggiungono un tasso di codifica di $k/n \approx 0.13$ con lunghezze di blocco vicine a 1500.
  • Sotto decodifica BP+OSD a un tasso di errore fisico $p=0.06$, il tasso di errore logico per qubit logico ($\epsilon_L$) per i top candidati è comparabile o inferiore ai codici bivariate-bicycle di base (ad esempio, BB [[756, 16, 34]]), nonostante codifichino circa cinque volte più qubit logici.
  • La metrica $k d^2 / n$ (un proxy per la qualità del codice) raggiunge valori fino a 51.9 per i codici non abeliani scoperti.
• Dinamiche Evolutive: La strategia di mutazione gerarchica permette sia il raffinamento locale (Livello 1) che l'esplorazione strutturale ampia (Livelli 2 e 3). L'evoluzione del punteggio mostra un miglioramento costante da un punteggio iniziale di 0.17 a 0.62 nel corso dei round di ricerca.

Significatività e Rivendicazioni
Il paper sostiene che la SCE fornisca una via percorribile per la scoperta di codici qLDPC ad alte prestazioni automatizzando l'esplorazione di spazi di progettazione algebrica complessi. Evolvendo concetti strutturati invece di matrici grezze, il metodo supera i limiti dei precedenti approcci di machine learning che cercavano su stabilizer espliciti e di dimensione finita. I risultati dimostrano che la ricerca guidata da LLM può identificare famiglie di codici competitive, incluse le costruzioni non abeliane che erano precedentemente difficili da trovare tramite enumerazione esaustiva. Gli autori posizionano questo lavoro come un passo verso la scoperta di codici compatibili con l'hardware, notando che il framework è estendibile ad altre famiglie di codici (ad esempio, balanced product, fiber-bundle) e potrebbe essere adattato per il co-design di codici con specifici vincoli di connettività dell'hardware. Il lavoro è modesto nelle sue rivendicazioni, presentando la scoperta di costruzioni competitive piuttosto che una soluzione definitiva a tutte le sfide di progettazione qLDPC, e riconosce che il calcolo della distanza minima esatta rimane NP-hard.