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

기술 요약: 구조화된 개념 진화를 통한 대규모 언어 모델 기반 양자 LDPC 코드 발견

문제 정의
양자 오류 정정(QEC)은 확장 가능한 양자 컴퓨팅을 위한 전제 조건이다. 표면 코드(surface code)는 높은 임계값과 평면 기하 구조 덕분에 표준으로 자리 잡았으나, 소멸하는 인코딩 비율($\Theta(d^{-2})$)로 인해 논리 큐비트당 물리적 큐비트의 이차적 오버헤드를 요구한다. 양자 저밀도 패리티 검사(qLDPC) 코드는 희소한 패리티 검사와 유한한 인코딩 비율 및 성장하는 거리를 결합함으로써, 상수 오버헤드로 결함 허용 계산을 가능하게 할 잠재력을 가진 유망한 대안을 제공한다. 그러나 고성능 qLDPC 코드를 구축하는 것은 까다로운 이산 설계 문제이다. 기존의 가계(예: 하이퍼그래프 곱, 일반화된 바이시클, 리프티드 프로덕트)는 군-대수 원소 또는 프로토그래프 다항식으로 매개변수화된 대수적 곱 구성에 의존한다. 이러한 코드의 성능은 이러한 매개변수의 구체적인 선택에 결정적으로 달려 있지만, 기하급수적으로 큰 탐색 공간 내에서 실행 가능한 영역은 극히 미미하다. 기존의 발견 방법은 전문가의 직관, 작은 인스턴스에 대한 전수 조사 또는 무작위 샘플링에 크게 의존하며, 이는 실제 응용에 필요한 블록 길이를 확보하기에는 규모가 부족하다.

방법론: 구조화된 개념 진화 (Structured Concept Evolution, SCE)
저자들은 대규모 언어 모델(LLM)을 단순히 기초부터 코드를 설계하는 것이 아니라, 구조화된 개념을 진화시키는 데 활용하는 구조화된 개념 진화(SCE) 프레임워크를 소개한다. 이 프레임워크에서 "개체(individual)"는 특정 패리티 검사 행렬이 아니라, 실행 가능한 프로그램 $P_\Sigma$와 쌍을 이루는 고차원의 구조화된 개념 $\Sigma$이다. 개념 $\Sigma$는 대수적 구성(예: 기저 군, 프로토그래프 형태, 국소 시드 행렬)을 명시하며, $P_\Sigma$는 임의의 허용 가능한 블록 길이에 대해 CSS 패리티 검사 행렬($H_X, H_Z$)을 생성한다.

SCE 과정은 다음과 같이 작동한다:

1. 탐색 공간: 탐색은 하이퍼그래프 곱을 일반화하여 가장 강력한 현대적 qLDPC 코드를 생성하는 리프티드 프로덕트(Lifted-Product, LP) CSS 코드로 제한된다.
2. 계층적 돌연변이: LLM은 구조화된 개념을 세 가지 층위에서 편집하는 돌연변이 연산자로 작용한다:
   • 레벨 1 (국소적): 군의 종류와 프로토그래프 형태를 고정한 채, 기저 행렬 $A$와 $B$의 군-대수 항목(시드)을 수정한다.
   • 레벨 2 (형태/스케일링): 프로토그래프 차원($m_A \times n_A, m_B \times n_B$)과 스케일링 규칙을 변경하여, 군의 종류는 유지하면서 블록 길이와 구조를 변경한다.
   • 레벨 3 (대수적): 기저 군의 종류를 교체(예: 아벨 군에서 비아벨 군으로 전환)하며, 이는 유효성을 유지하기 위해 프로토그래프 형태와 국소 항목의 재작성을 요구한다.
3. 품질-다양성 아카이브 (Quality-Diversity Archive): 단일 최적점으로 수렴하는 대신, SCE는 MAP-Elites 알고리즘을 사용하여 서로 다른 기저 군, 인코딩 비율, 디코딩 성능을 가진 경쟁력 있는 구성을 저장하는 품질-다양성 아카이브를 유지한다.
4. 평가: 후보들은 BP+OSD(Ordered Statistics Decoding이 결합된 Belief Propagation)를 사용하여 코드 용량 탈분극 노이즈 하에서 평가된다. 적합도 점수 $S$는 인코딩 비율 $k/n$과 오류 억제 지수 $\alpha(p)$를 기반으로 계산되며, 구조적으로 유사한 코드를 재발견하는 것을 방지하기 위해 참신성 페널티가 부여된다.
5. 구현: 프레임워크는 OpenEvolve 인프라를 사용하여 경량 모델(GPT-5.4-mini 및 GPT-5.4-nano)에서 실행된다.

주요 기여

• 프레임워크: LLM을 구조화된 대수적 돌연변이 문법과 결합하여 리프티드 프로덕트 코드 가계를 발견하는 SCE의 도입. 이 접근 방식은 탐색의 단위를 가공되지 않은 행렬 항목에서 일관된 대수적 개념으로 이동시킨다.
• 다양한 가계의 발견: 이 방법은 비아벨 구성을 포함하여 표준 설계인 바이시클러리테이트(bivariate-bicycle, BB) 코드를 넘어서는 경쟁력 있는 코드 가계를 성공적으로 발견한다.
• 성능 벤치마킹: 저자들은 탈분극 노이즈 하에서 발견된 코드들을 특성화하며, 이들이 블록 길이 $n \approx 1500$ 근처에서 높은 인코딩 비율(최대 $k/n \approx 0.13$)을 달달성함을 입증한다.
• 효율성: 전체 발견 과정은 경량 LLM을 통해 수행되었으며, 이는 복잡한 대수적 설계 문제를 막대한 계산 자원 없이도 해결할 수 있음을 보여준다.

결과

• 코드 가계: 1000회 반복되는 3번의 라운드 후에, 탐색은 3000개의 후보 구성을 생성했다. 대표적인 엘리트 코드는 다음과 같다:
  • 아벨(Abelian): $Z_3 \times Z_{14}$ 및 $Z_2 \times Z_2 \times Z_{11}$과 같은 군에 기반한 코드.
  • 비아벨(Non-Abelian): 디시클릭 군($Dic_{11}$) 및 디헤드럴 군($D_{22}$)을 비롯하여, $(Z_2 \times Z_2) \rtimes Z_{10}$과 같은 반직접 곱에 기반한 코드.
• 성능 지표:
  • 가장 잘 발견된 코드들은 $n \approx 1500$ 근처의 블록 길이에서 $k/n \approx 0.13$의 인코딩 비율에 도달한다.
  • 물리적 오류율 $p=0.06$에서의 BP+OSD 디코딩 하에서, 상위 후보들의 논리 큐비트당 논리 오류율($\epsilon_L$)은 약 5배 더 많은 논리 큐비트를 인코딩함에도 불구하고, 베이스라인인 바이시클러리테이트 코드(예: BB [[756, 16, 34]])와 비슷하거나 더 낮다.
  • 코드 품질의 대리 지표인 $k d^2 / n$ 값은 발견된 비아벨 코드에서 최대 51.9에 도달한다.
• 진화 역학: 계층적 돌연변이 전략은 국소적 정교화(레벨 1)와 광범위한 구조적 탐색(레벨 2 및 3)을 모두 가능하게 한다. 점수 진화는 초기 점수 0.17에서 탐색 라운드 동안 0.62로 꾸준한 개선을 보여준다.

의의 및 주장
본 논문은 SCE가 복잡한 대수적 설계 공간의 탐색을 자동화함으로써 고성능 qLDPC 코드를 발견하는 실행 가능한 경로를 제공한다고 주장한다. 명시적이고 유한한 크기의 스테빌라이저를 탐색하는 기존의 머신러닝 접근 방식과 달리, 구조화된 개념을 진화시킴으로써 문제를 해결한다. 결과는 LLM 유도 탐색이 비아벨 구성을 포함하여 전수 조사를 통해서는 발견하기 어려웠던 경쟁력 있는 코드 가계를 식별할 수 있음을 입증한다. 저자들은 이 작업이 하드웨어 호환 코드 발견을 향한 단계라고 위치시키며, 이 프레임워크가 다른 코드 가계(예: balanced product, fiber-bundle)로 확장 가능하며 특정 하드웨어 연결 제약 조건이 있는 코드의 공동 설계(co-design)에도 적응될 수 있다고 언급한다. 본 연구의 주장은 겸손하며, 모든 qLDPC 설계 과제에 대한 결정적인 해결책을 제시하기보다는 경쟁력 있는 구성을 발견하는 데 중점을 두며, 정확한 최소 거리 계산이 여전히 NP-hard라는 점을 인정하고 있다.