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

Technische Samenvatting: Ontdekking van Quantum LDPC-codes door Structurele Conceptuele Evolutie via Large Language Models

Probleemstelling
Quantumfoutcorrectie (QEC) is een vereiste voor schaalbare quantumcomputing. Hoewel de surface code de standaard is geweest vanwege de hoge drempelwaarde en planaire geometrie, lijdt deze aan een verdwijnende coderingsefficiëntie ($\Theta(d^{-2})$), wat een kwadratische overhead van fysieke qubits per logische qubit vereist. Quantum low-density parity-check (qLDPC) codes bieden een veelbelovend alternatief door ijle pariteitscontroles te combineren met eindige coderingsefficiënties en groeiende afstand, wat potentieel fouttolerante berekeningen met constante overhead mogelijk maakt. Het construeren van hoogwaardige qLDPC-codes is echter een uitdagend discreet ontwerpprobleem. Bestaande families (bijv. hypergraph product, generalized bicycle, lifted product) vertrouwen op algebraïsche productconstructies die geparametriseerd worden door groep-algebra-elementen of protograaf-polynomen. De prestaties van deze codes hangen kritiek af van de specifieke keuze van deze parameters, terwijl de levensvatbare regio binnen de exponentieel grote zoekruimte verwaarloosbaar klein is. Huidige ontdekkingsmethoden vertrouwen sterk op expert-intuïtie, uitputtende enumeratie van kleine instanties of willekeurige bemonstering, wat niet schaalt naar de bloklengtes die nodig zijn voor praktische toepassingen.

Methodologie: Structured Concept Evolution (SCE)
De auteurs introduceren Structured Concept Evolution (SCE), een zoekraamwerk dat gebruikmaakt van Large Language Models (LLMs) niet om codes vanaf de basis te ontwerpen, maar om gestructureerde concepten te evolueren. In dit raamwerk is een "individu" geen specifieke pariteitscontrolematrix, maar een hoger niveau gestructureerd concept $\Sigma$ gekoppeld aan een uitvoerbaar programma $P_\Sigma$. Het concept $\Sigma$ specificeert de algebraïsche constructie (bijv. basisgroep, protograafvorm, lokale seed-matrices), terwijl $P_\Sigma$ de CSS-pariteitscontrolematrices ($H_X, H_Z$) genereert voor elke toegestane bloklengte.

Het SCE-proces werkt als volgt:

1. Zoekruimte: De zoektocht wordt beperkt tot Lifted-Product (LP) CSS-codes, een generalisatie van de hypergraph product die enkele van de krachtigste moderne qLDPC-codes oplevert.
2. Hiërarchische Mutatie: Een LLM fungeert als een mutatie-operator die wijzigingen voorstelt aan het gestructureerde concept op drie verschillende niveaus:
   • Niveau 1 (Lokaal): Wijzigt de groep-algebra-ingangen (seeds) van de basismatrices $A$ en $B$, terwijl de groepfamilie en de protograafvorm vast blijven.
   • Niveau 2 (Vorm/Schaling): Verandert de protograaf-dimensies ($m_A \times n_A, m_B \times n_B$) en de schalingsregel, waardoor de bloklengte en structuur verandert terwijl de groepfamilie vast blijft.
   • Niveau 3 (Algebraïsch): Vervangt de basis-groepfamilie (bijv. de overgang van abelse naar niet-abelse groepen), wat een herschrijving van de protograafvorm en de lokale ingangen vereist om de geldigheid te behouden.
3. Quality-Diversity Archief: In plaats van te convergeren naar één optimum, onderhoudt SCE een quality-diversity archief (met behulp van een MAP-Elites algoritme) dat competitieve constructies opslaat over verschillende basisgroepen, coderingsefficiënties en decoderingsprestaties.
4. Evaluatie: Kandidaten worden geëvalueerd onder code-capaciteit depolariserende ruis met Belief Propagation met Ordered Statistics Decoding (BP+OSD). Een fitnessscore $S$ wordt berekend op basis van de coderingsefficiëntie $k/n$ en de foutonderdrukkingsexponent $\alpha(p)$, waarbij een novelty-factor wordt toegepast om het herontdekken van structureel gelijkaardige codes te voorkomen.
5. Implementatie: Het raamwerk draait op lichtgewicht modellen (GPT-5.4-mini en GPT-5.4-nano) met de OpenEvolve infrastructuur.

Belangrijkste Bijdragen

• Raamwerk: De introductie van SCE, die LLMs koppelt aan een gestructureerde algebraïsche mutatiegrammatica om lifted-product codefamilies te ontdekken. Deze aanpak verplaatst de zoektocht van ruwe matrix-ingangen naar coherente algebraïsche concepten.
• Ontdekking van Diverse Families: De methode slaagt erin om competitieve codefamilies te ontdekken, variërend van abelse constructies tot niet-abelse groepen die verder gaan dan standaardontwerpen zoals bivariate-bicycle (BB) codes.
• Prestatiebenchmarking: De auteurs karakteriseren de ontdekte codes onder depolariserende ruis en tonen aan dat zij hoge coderingsefficiënties bereiken (tot $k/n \approx 0.13$) bij bloklengtes rond $n \approx 1500$.
• Efficiëntie: Het gehele ontdekkingsproces wordt bereikt met behulp van lichtgewicht LLMs, wat aantoont dat complexe algebraïsche ontwerpproblemen kunnen worden aangepakt zonder massale computationele middelen.

Resultaten

• Codefamilies: Na drie ronden van 1000 iteraties genereerde de zoektocht 3000 kandidaat-constructies. Representatieve elite-codes zijn:
  • Abels: Codes gebaseerd op groepen zoals $Z_3 \times Z_{14}$ en $Z_2 \times Z_2 \times Z_{11}$.
  • Niet-abels: Codes gebaseerd op dicyclic groepen ($Dic_{11}$) en dihedrale groepen ($D_{22}$), evenals semi-directe producten zoals $(Z_2 \times Z_2) \rtimes Z_{10}$.
• Prestatie-metrieken:
  • De best ontdekte codes bereiken een coderingsefficiëntie van $k/n \approx 0.13$ bij bloklengtes nabij 1500.
  • Onder BP+OSD decodering bij een fysieke foutenrate $p=0.06$ is de logische foutenrate per logische qubit ($\epsilon_L$) voor de topkandidaten vergelijkbaar met of lager dan baseline bivariate-bicycle codes (bijv. BB [[756, 16, 34]]), ondanks dat zij ongeveer vijf keer zoveel logische qubits coderen.
  • De $k d^2 / n$ metriek (een proxy voor codekwaliteit) bereikt waarden tot 51.9 voor de ontdekte niet-abelse codes.
• Evolutionaire Dynamiek: De hiërarchische mutatiestrategie maakt zowel lokale verfijning (Niveau 1) als brede structurele exploratie (Niveaus 2 en 3) mogelijk. De score-evolutie laat een gestage verbetering zien van een initiële score van 0.17 naar 0.62 over de zoekrondes.

Betekenis en Claims
Het artikel claimt dat SCE een levensvatbare route biedt voor het ontdekken van hoogwaardige qLDPC-codes door de exploratie van complexe algebraïsche ontwerperuimtes te automatiseren. Door het evolueren van gestructureerde concepten in plaats van ruwe matrices, overwint de methode de beperkingen van eerdere machine learning-benaderingen die zochten over expliciete, eindige-omvang stabilisatoren. De resultaten laten zien dat LLM-gestuurde zoektochten in staat zijn om competitieve codefamilies te identificeren, inclusief niet-abelse constructies die voorheen moeilijk te vinden waren via uitputtende enumeratie. De auteurs positioneren dit werk als een stap naar hardware-compatibele code-ontdekking, waarbij zij opmerken dat het raamwerk uitbreidbaar is naar andere codefamilies (bijv. balanced product, fiber-bundle) en kan worden aangepast voor het co-ontwerpen van codes met specifieke hardware-connectiviteitsbeperkingen. Het werk is bescheiden in zijn claims en presenteert de ontdekking van competitieve constructies in plaats van een definitieve oplossing voor alle qLDPC-ontwerpvraagstukken, en erkent dat exacte minimum-afstand berekening NP-hard blijft.