⚛️ quantum physics

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

本文介绍了结构化概念演化（Structured Concept Evolution, SCE），这是一种将大语言模型与代数变异文法相结合的搜索框架，旨在自动发现多样且具竞争力的量子低密度奇偶校验（qLDPC）码家族，其中包括在非阿贝尔群上的新颖构造。

原作者： Zidu Liu, Florian Marquardt

发布于 2026-06-24

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Zidu Liu, Florian Marquardt

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心问题：建造量子堡垒

想象一下，你正试图用沙子（量子计算机）建造一座城堡。问题在于，风（噪声和误差）会不断吹过这些沙子，在城堡投入使用之前就将其摧毁。为了解决这个问题，你需要建造一座能够自我修复的“堡垒”。在量子世界中，这被称为量子纠错（Quantum Error Correction）。

长期以来，建造这座堡垒的最佳方式是“表面码（Surface Code）”。你可以把它想象成在平坦的二维网格上建造城堡。它很坚固，但极其浪费。为了保护仅仅一个信息单位（逻辑比特），你需要使用大量的沙粒（物理比特）——大约是一个正方形的规模。这就像是用一整个体育场的砖块来建造一个微小的保险箱。随着我们越来越接近构建真正的量子计算机，这种浪费将成为一个巨大的瓶颈。

我们需要一种新型的堡垒：它应该是稀疏的（使用更少的砖块）但又是稠密的（保护更多的信息）。用数学术语来说，我们正在寻找量子低密度奇偶校验（qLDPC）码。这些就是我们想要的“高效城堡”。

挑战：寻找正确的蓝图

设计这些高效城堡的问题在于，这就像是在一个大小如银河系的草堆里寻找一根针。

“针”是那些能够完美运行的特定数学公式（代码）。
“草堆”是无数个错误的公式。
传统上，人类必须依靠直觉或暴力检查来猜测这些公式，这既缓慢且经常错过最佳设计。

解决方案：一个“概念进化”团队

本文的作者引入了一种名为结构化概念进化（Structured Concept Evolution, SCE）的新方法。他们没有让计算机去随机猜测数字，而是使用了一种大型语言模型（LLM）——一种非常擅长理解语言和模式的 AI——作为一名创意建筑师。

以下是他们的系统是如何运作的，我们使用“乐高”来做类比：

1. 蓝图（概念）

他们并没有要求 AI 一次性建造整座城堡，而是要求它设计一份建造特定类型城堡的说明书（即“概念”）。

这份手册包括了规则（使用什么样的乐高积木，这些积木代表数学群）。
它包括了形状（积木有多少行和多少列）。
它还包括一个计算机程序，可以根据这些规则瞬间建造出城堡。

2. 进化（突变）

AI 不仅仅是在猜测，它是在进化。系统从一些已知的蓝图开始，然后要求 AI 对它们进行突变（改变）。AI 有三种改变蓝图的方式，就像一个具有三个难度等级的游戏：

第一级（涂装）： 保持形状和积木类型不变，只是改变积木上具体的颜色或图案。（微小的局部调整）。
第二级（建筑结构）： 改变城堡的形状。也许让它变得更高或更宽，但仍使用同一种类型的积木。（中等程度的变化）。
第三级（地基）： 完全改变基础的积木类型。也许从标准的方块积木切换到三角形积木，或者从木头换成塑料。这是一个巨大的变化，需要重写整个规则手册。（重大的结构性变化）。

3. 适应度测试

一旦 AI 提出了一个新的蓝图，计算机就会立即建造这座城堡（代码），并在模拟的风暴（噪声）中对其进行测试。

如果城堡能够屹立不倒，它就会获得高分。
如果城堡坍塌了，它就会获得低分。
系统会维护一个“名人堂”（存档），记录目前为止发现的最佳蓝图，以确保它不仅仅是找到一座好的城堡，而是找到一个多样化的、高性能的设计集合。

他们的发现

通过运行这个进化过程，AI 发现了各种各样新的、高度高效的量子代码。

更高的效率： 一些新代码保护信息时使用的物理比特远少于旧有的“表面码”方法。
新材料： AI 并没有仅仅局限于人类通常使用的“标准”数学群。它发现了基于非阿贝尔群（non-abelian groups）（复杂的、扭曲的数学结构）的代码，而人类此前从未针对此目的进行过探索。
性能： 在测试中，这些新代码的表现与现有的最佳设计（如“双变量双循环/Bivariate-Bicycle”码）一样出色，甚至更好，同时效率却更高。

总结

本文表明，我们不仅可以用 AI 来解决我们已知如何解决的问题，还可以用它来发明人类尚未想到的新数学结构。通过将代码设计视为一个 AI “培育”更好蓝图的进化过程，研究人员发现了一系列多样化的量子纠错码，这些代码可以让未来的量子计算机更小、更便宜、更强大。

他们利用相对较小、轻量级的 AI 模型就实现了这一切，证明了你不需要超级计算机也能发现超高效的量子代码；你只需要正确的进化策略。

技术摘要：通过结构化概念演化进行大语言模型发现量子 LDPC 码

问题陈述
量子纠错（QEC）是实现可扩展量子计算的先决条件。虽然表面码（surface code）因其高阈值和平面几何结构而成为标准，但它面临编码率消失的问题（ $\Theta(d^{-2})$ ），即每个逻辑比特需要二次方数量的物理比特开销。量子低密度奇偶校验（qLDPC）码提供了一个极具前景的替代方案，它结合了稀疏奇偶校验检查与有限的编码率及增长的距离，从而可能实现具有常数开销的容错计算。然而，构建高性能 qLDPC 码是一个具有挑战性的离散设计问题。现有的代码族（例如超图积、广义双循环码、提升积码）依赖于由群代数元素或原型图多项式参数化的代数积构造。这些代码的性能关键取决于这些特定参数的选择，然而在指数级庞大的搜索空间中，可行的区域微乎其微。目前的发现方法过度依赖专家直觉、小规模实例的穷举或随机采样，这些方法无法扩展到实际应用所需的块长度。

方法论：结构化概念演化 (SCE)
作者引入了结构化概念演化（Structured Concept Evolution, SCE），这是一个利用大语言模型（LLM）来演化“结构化概念”而非从底层设计代码的搜索框架。在该框架中，“个体”并非特定的奇偶校验矩阵，而是一个更高层级的结构化概念 $\Sigma$ 以及与之配对的可执行程序 $P_\Sigma$ 。概念 $\Sigma$ 指定了代数构造（例如：基群、原型图形状、局部种子矩阵），而 $P_\Sigma$ 则负责为任何允许的块长度生成 CSS 奇偶校验矩阵（ $H_X, H_Z$ ）。

SCE 的运作流程如下：

搜索空间： 搜索被限制在提升积（Lifted-Product, LP） CSS 码内，这是超图积的一种推广，产生了一些最强大的现代 qLDPC 码。
分层变异： LLM 作为变异算子，对不同层级的结构化概念提出修改建议：
- 第 1 层（局部）： 在保持群族和原型图形状固定的情况下，修改基矩阵 $A$ 和 $B$ 的群代数条目（种子）。
- 第 2 层（形状/缩放）： 改变原型图维度（ $m_A \times n_A, m_B \times n_B$ ）和缩放规则，在保持群族固定的情况下改变块长度和结构。
- 第 3 层（代数）： 替换基群族（例如，从阿贝尔群过渡到非阿贝尔群），这需要重写原型图形状和局部条目以保持有效性。
质量-多样性存档： SCE 不仅仅是收敛于单一最优解，而是维护一个质量-多样性存档（使用 MAP-Elites 算法），存储涵盖不同基群、编码率和解码性能的竞争性构造。
评估： 候选方案在容量去极化噪声下，使用带有排序统计解码的置信传播算法（BP+OSD）进行评估。根据编码率 $k/n$ 和误差抑制指数 $\alpha(p)$ 计算适应度分数 $S$ ，并引入新颖性因子以避免重复发现结构相似的代码。
实现： 该框架在 OpenEvolve 基础设施上运行，使用轻量级模型（GPT-5.4-mini 和 GPT-5.4-nano）。

核心贡献

框架： 引入了 SCE，它将 LLM 与结构化代数变异语法相结合，用于发现提升积类型的代码族。这种方法将搜索从原始矩阵条目转向了连贯的代数概念。
发现多样化代码族： 该方法成功发现了从阿贝尔构造到非阿贝尔群的竞争性代码族，这些构造超越了标准的双循环（bivariate-bicycle, BB）码。
性能基准测试： 作者在去极化噪声下表征了发现的代码，证明它们在块长度约为 $n \approx 1500$ 时，能够达到高编码率（高达 $k/n \approx 0.13$ ）。
效率： 整个发现过程使用轻量级 LLM 完成，证明了复杂的代数设计问题可以在无需大规模计算资源的情况下得到解决。

结果

代码族： 在三轮共 1000 次迭代后，搜索生成了 3000 个候选构造。代表性的精英代码包括：
- 阿贝尔（Abelian）： 基于 $Z_3 \times Z_{14}$ 和 $Z_2 \times Z_2 \times Z_{11}$ 等群的代码。
- 非阿贝尔（Non-Abelian）： 基于双循环群（ $Dic_{11}$ ）和二面体群（ $D_{22}$ ）以及半直积（如 $(Z_2 \times Z_2) \rtimes Z_{10}$ ）的代码。
性能指标：
- 最优发现代码在块长度接近 1500 时，编码率达到 $k/n \approx 0.13$ 。
- 在物理错误率 $p=0.06$ 下使用 BP+OSD 解码，顶尖候选方案的逻辑错误率（ $\epsilon_L$ ）与基准双循环码（例如 BB [[756, 16, 34]]）相当甚至更低，尽管它们承载了约五倍的逻辑比特。
- $k d^2 / n$ 指标（代码质量的代理指标）在发现的非阿贝尔码中达到了高达 51.9 的数值。
演化动力学： 分层变异策略允许进行局部精细化（第 1 层）和广泛的结构探索（第 2 层和第 3 层）。得分演化显示，从初始的 0.17 到搜索轮次中的 0.62，呈现出稳步提升的趋势。

意义与主张
论文声称，SCE 为发现高性能 qLDPC 码提供了一条可行路径，通过自动化探索复杂的代数设计空间来实现。通过演化结构化概念而非原始矩阵，该方法克服了以往在显式、有限尺寸稳定器上进行搜索的机器学习方法的局限性。结果表明，LLM 引导的搜索可以识别出具有竞争力的代码族，包括此前难以通过穷举法发现的非阿贝尔构造。作者将这项工作定位为迈向硬件兼容码发现的一步，指出该框架可扩展至其他代码族（如平衡积、纤维丛码），并可用于针对特定硬件连接约束进行代码协同设计。该研究的主张较为审慎，侧重于展示竞争性构造的发现，而非提供解决所有 qLDPC 设计挑战的终极方案，并承认精确计算最小距离仍是一个 NP 困难问题。