⚛️ quantum physics

OmniQEC: discovering practical quantum error-correcting codes by an AI scientist

OmniQEC 是一个 AI 科学家框架，它利用大语言模型和协同的快慢搜索工作流，通过协同设计代码结构、综合征提取和解码，来发现能够超越现有基准的、具有实用性且硬件友好的量子纠错码。

原作者： Ge Yan, Shanchuan Li, Pengyue Ma, Qixin Zhang, Pingchuan Ma, Jianping Wang, Min-Hsiu Hsieh, Yuxuan Du

发布于 2026-07-29

📖 1 分钟阅读🧠 深度阅读

原作者： Ge Yan, Shanchuan Li, Pengyue Ma, Qixin Zhang, Pingchuan Ma, Jianping Wang, Min-Hsiu Hsieh, Yuxuan Du

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

想象一下，你正试图建造一台超级强大的计算机，它以量子世界的奇特、摇摆的规则进行思考。问题在于，这些量子比特（qubits）极其脆弱；哪怕是一丝热量的低语或一个微小的磁场，都会让它们忘记正在做的事情，将一场精彩的计算变成乱码。为了解决这个问题，科学家们使用了一种被称为**量子纠错（QEC）**的技巧。你可以把它想象成一个保护秘密信息的侦探团队。与其把信息写在一张可能会被撕碎的纸上，不如把它分散写在整个团队的人身上。如果其中一个人分心或犯了错，其他人仍然可以推断出原始信息原本应该是怎样的，并将其修复。

然而，设计这样一个“侦探团队”是一场噩梦。他们如何站位、如何交谈以及如何互相检查，都取决于你使用的具体硬件、用于监听他们对话的工具，以及用于解码信息的数学方法。如果你设计的团队在理论上看起来很完美，但并不适合你所处的环境，那么整个系统就会失败。长期以来，科学家们一直试图通过人工来寻找完美的团队结构，但可能性的数量之大，感觉就像是在沙漠中寻找一颗特定的沙粒。这就是为什么一种新型的助手应运而生：一种人工智能，它不仅是在进行猜测，而是真正从构建这些计算机的混乱现实中学习。

认识 OmniQEC：量子安全领域的 AI 建筑师

走进 OmniQEC，这是一个全新的“AI 科学家”，旨在为现实世界发现最佳的量子纠错码。OmniQEC 不仅仅是盯着白板上的数学公式，它更像是一个不知疲倦、能够自我改进的建筑师，不断构建、测试并精炼量子安全团队，直到它们准备好投入实战。

该论文将 OmniQEC 介绍为一个将发现这些编码的过程视为“生成、测试与改进”游戏的系统。该系统的核心是一个“指挥家”（一种先进的大语言模型），它协调着一个双速的工作流。想象一位厨师试图创造出一道完美的汤。

快速循环：口味测试厨房
首先，AI 运行一个“快速循环”。这就像是一个快速的口味测试。AI 生成数千个潜在的配方（代码结构），并使用简单的、廉价的捷径对其进行检查。它会问类似这样的问题：“这个配方是否拥有正确的成分数量？”或者“数学逻辑是否平衡？”这些检查仅需几秒钟。如果一个配方基于这些快速检查看起来很有前景，它就会获得进入下一轮的门票。这使得 AI 能够在不被繁琐细节困扰的情况下，扫描庞大的可能性库。

慢速循环：全模拟过程
接着是“慢速循环”，这是真正的实战。在这里，AI 会从快速循环中挑选出最好的候选者，并在详细的模拟中将其构建出来。它构建出实际的“伴随式提取电路”（syndrome extraction circuits）——即用于检测错误的复杂机制——并让它们在充满噪声、不完美的环境中运行，以观察它们究竟会在多频繁的情况下失效。这就像是把汤煮好，端给评审团品尝，看看它在真实的餐厅里味道到底如何。这一步对于每个候选者可能需要花费几分钟甚至几小时，因此 AI 对谁能进入这个阶段的选择非常严格。

反馈的魔力
OmniQEC 的天才之处在于它是如何学习的。来自“慢速循环”（真实世界模拟）的结果会被反馈给 AI 指挥家。如果一个配方在快速口味测试中表现出色，但在真实的厨房里失败了，AI 就会学习为什么会这样，并调整其未来的猜测。它会进化自己的推理能力，随着每一次循环变得更加聪明。这创造了一个“快-慢协同工作流”，即 AI 利用廉价的捷径进行广泛探索，同时利用昂贵且准确的测试来引导搜索，从而找到真正最优的解。

他们的发现：击败旧有的冠军

研究人员将 OmniQEC 与四种不同的量子码家族以及三个不同的 AI“大脑”（Claude、GPT 和 DeepSeek）进行了对比测试。他们为物理量子比特（硬件组件）设定了严格的预算，范围从小型设置到多达 288 个量子比特的大型设置不等。

结果令人印象深刻。OmniQDC 发现的编码随着资源的增加，在抑制错误方面表现得越来越好。但最令人兴奋的发现是，这些新代码与被称为 BB 码（双变量自行车码，bivariate bicycle codes）的当前“金标准”相比的表现如何。

当团队给 OmniQEC 一个 98 个物理量子比特的预算时，AI 发现了一个性能优于标准 BB 码的编码，而该 BB 码需要 72 个物理量子比特（具体为 [[72, 12, 6]] 码）。
更令人震惊的是，当预算增加到 240 个物理量子比特时，Claude AI 发现的最强代码击败了那个使用 144 个物理量子比特的庞大 BB 基准码（即 [[14, 12, 12]] 码）。

这表明，通过针对代码在噪声电路中的实际表现进行优化（而不仅仅是看抽象的数学得分），OmniQEC 可以找到更高效的保护量子信息的方法。

“足够好”数学的陷阱

该论文最重要的教训之一是对依赖传统捷径的警告。科学家经常使用一个简单的数学得分 $\Phi_{code} = kd^2/n$ 来快速对编码进行排名。论文表明，这个得分可能会产生误导。

在实验中，OmniQEC 发现了一些数学得分比著名的 BB 码更低，但在真实世界模拟中表现却更好的编码。这就像是一个学生在选择题练习测试中得了较低的分数，但最终却在期末考试中取得了优异成绩，因为他更好地理解了概念。论文指出，如果你只针对快速数学得分进行优化，你可能会错过真正最好的解决方案。你必须看到全貌，包括代码如何处理噪声和解码。

发现的成本

研究人员还检查了运行这个 AI 的“价格标签”。他们发现，使用 AI 的成本（以“Token”，即 AI 处理的单词量来衡量）并不会仅仅因为编码变大而激增。成本主要取决于他们使用了哪种 AI“大脑”。例如，Claude 后端提供了性能与成本之间的最佳平衡，而 DeepSeek 最便宜，但发现的代码稍弱。这表明，AI 的推理能力以及从错误中学习的能力，比它所设计的代码本身的规模更为重要。

为什么这很重要

论文总结道，OmniQEC 是“协同设计”量子计算机的一个强大新工具。与其先设计一个编码，然后制造一台机器，最后发现它们并不匹配，不如通过 OmniQEC 在设计编码的同时就考虑到机器的特性。它弥合了抽象数学与硬件复杂现实之间的鸿沟。

虽然目前的结果是基于模拟而非在物理量子计算机上实现的，但研究结果指明了一条清晰的路径。通过利用人工智能来驾驭代码结构、硬件限制和错误解码之间的复杂权衡，我们可以找到实用的、高性能的编码，从而让我们离构建出真正可行的容错量子计算机更近一步。论文建议，这种方法可以扩展到更多类型的硬件和代码家族，从而可能释放量子计算为所有人服务的全部潜力。

技术摘要：OmniQEC

问题陈述
量子纠错（QEC）是实现可扩展容错量子计算的基础，然而发现能在现代硬件上保持有效性的代码仍具有挑战性。传统的发现范式是“以代码为中心”的，依赖于代数属性（例如 $[[n, k, d]]$ 参数）或廉价的代理指标 $\Phi_{code} = kd^2/n$ 。这些方法往往无法捕捉到决定性能的实际因素，例如硬件连通性约束、校验子提取开销以及译码效率。因此，在代数层面表现优异的代码，在实现为物理电路时，其逻辑错误率（LER）往往表现不佳。核心挑战在于如何在不产生过高计算成本的前提下，弥合代码生成与电路级性能评估之间的鸿沟。

方法论：OmniQEC 框架
作者引入了 OmniQEC，这是一个旨在通过直接优化电路级逻辑错误率来发现实用 QEC 代码的 AI 科学家。该系统采用由大语言模型（LLM）编排的自进化双环工作流：

编排器（Orchestrator）： 一个基于 LLM 的智能体，负责解释用户定义的任务目标（例如目标代码族、量子比特预算、连通性）并管理发现记忆。它负责协调代码构造程序的生成，并在两个循环之间路由信息。
快速环（代码级筛选）： 一个生成式搜索智能体，提出各种 qLDPC 家族（双变量双循环、三变量双循环、提升乘积、广义提升乘积）的可执行构造程序。这些候选方案使用代码级属性（有效性、逻辑量子比特数 $k$ 、距离 $d$ 以及 $\Phi_{code}$ ）进行快速筛选。该循环允许使用廉价的代理指标对大规模候选群体进行探索。
慢速环（电路级评估）： 来自快速环的优秀候选方案会被传递至电路综合模块，该模块根据特定的硬件约束（原生门、连通性）将其编译为校验子提取电路。随后，电路评估模块通过噪声采样和可配置的译码器（如 BP+OSD、BP+LSD、Relay-BP）来估计逻辑错误率。
反馈机制： 电路级的证据（LER）及其相关的推理轨迹会被反馈给编排器。这使得系统能够优化其搜索策略，在随后的迭代中改进候选方案的生成，从而优先考虑能产生卓越物理性能的设计空间区域。

核心贡献

范式转变： OmniQEC 将 QEC 的发现过程从优化代数代理指标转向直接优化实现层面的逻辑错误率。
双环架构： 该系统通过结合基于代理的快速探索与基于物理验证的慢速验证环，解决了庞大的搜索空间与高昂的物理评估成本之间的矛盾。
自进化推理： LLM 编排器利用过去迭代的记忆来迭代改进构造提案，有效地从电路级的失败与成功中学习。
硬件感知协同设计： 该框架将代码生成、校验子提取综合以及译码器选择集成到一个统一的过程中，确保发现的代码与特定的硬件约束相兼容。

实验结果
作者在四种 qLDPC 构造家族、三种 LLM 后端（Claude、GPT、DeepSeek）以及 14 个物理量子比特预算（ $N$ ）下对 OmniQEC 进行了评估。

性能缩放： 所发现的代码展现出清晰的资源-性能前沿，随着物理量子比特预算的增加，逻辑错误抑制能力也随之提升。
基准测试： 系统发现的代码超越了标准的双变量双循环（BB）基准。具体而言，在 $N=98$ 个物理量子比特下发现的代码超越了 BB $[[72, 12, 6]]$ 代码；而在 $N=240$ 时，来自 Claude 后端的最佳结果超越了 BB $[[144, 12, 12]]$ 代码。
代理失配： 研究揭示了代码级代理指标与电路级性能之间存在显著差异。许多 $\Phi_{code}$ 得分较低的发现代码，其 LER 表现优于高分的参考代码，这验证了电路级优化的必要性。
鲁棒性： 所发现代码的性能优势在不同的物理错误率（ $p \in [0.002, 0.01]$ ）范围内均保持稳定，而不仅仅是在搜索时使用的特定错误率下。
消融研究： 若移除慢速环反馈（仅依赖代码级排名）或移除所有反馈，性能会显著下降且方差增大，这证实了双环协同作用的关键作用。

意义与主张
本文声称 OmniQEC 建立了一个具有物理基础的框架，用于发现能够实现资源高效型处理器级实现的 qLDPC 代码。通过证明 AI 驱动的电路级协同设计可以超越传统的专家驱动的代数优化，这项工作为更实用的容错量子计算架构铺平了道路。作者将 OmniQEC 定位为一种可扩展的自主 QEC 发现路径，而非最终解决方案，并强调了未来的研究方向，如集成更高效的科学工具、扩展到端到端协同设计的多智能体系统，以及适配特定的硬件校准数据。研究结果表明，“以代码为中心”的范式在早期容错处理器时代是不充分的，直接优化物理性能至关重要。