Large Language Model-Guided Discovery of Weight-Five Bivariate Bicycle Codes
本文提出了一种由大语言模型（LLM）引导的发现工作流，该工作流生成了一个包含 1,142 个权重为 5 的二元双循环码（bivariate bicycle codes）及扰动二元双循环码的目录，成功验证了众多具有高精确距离的新型连通 CSS 实现，并证明了与随机搜索对照组相比，其在高性能码的产出率方面具有显著优势。
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
量子计算机有望解决当今机器需要数千年才能破解的问题，从设计新药到模拟复杂的气候系统。然而，这些机器极其脆弱。来自热量或辐射的轻微干扰都可能扰乱它们所持有的微妙信息，导致计算失败。为了生存，量子计算机需要一种保护数据的方法，就像保险库保护黄金一样。这种保护以纠错码的形式存在，它将单条信息分散到许多物理部件中，这样即使部分部件损坏，整体信息仍能被恢复。挑战在于寻找既足够强大以阻止错误，又足够轻量以在实际硬件上运行而不使其过载的编码。
在最近的一项研究中，研究人员探索了一类特定的这类保护性编码，被称为双变量自行车码（bivariate bicycle codes）。这些是旨在平衡强度与效率的数学结构。虽然以往的工作侧重于具有一定复杂程度的编码，但该团队将注意力转向了一个更受约束的版本，其中管理编码的规则略显简单。他们想看看是否能在这种更严格的规则集内找到更好、更高效的编码。为此，他们不仅仅依赖传统的数学搜索。相反，他们构建了一个系统，让大语言模型——经过海量文本训练的高级计算机程序——充当创意伙伴。这些模型编写并完善计算机程序，生成数千个潜在的编码设计，从而有效地随时间演化出新的解决方案。
研究人员针对这些编码结构的各种尺寸规模进行了大规模搜索。他们要求计算机程序提出设计方案，然后严格测试每一个设计，以观察其处理错误的能力。在生成的数千个想法中，他们识别出了超过一千个不同的提案。其中，他们发现了几种特别强大的设计。团队不仅列出了这些编码，还证明了它们的具体效能。他们证实了特定设计可以纠正一定数量的错误，这种确定性在这一领域是非常罕见的。其中一个最成功的设计能够保护 180 个单元中的 4 个信息块，并能纠正多达 14 个错误。另一个稍小的设计则是在 96 个单元中保护 4 个信息块，并纠正 10 个错误。这些结果代表了此类特定类型中表现最好的编码之一。
为了确保研究结果的可靠性，研究人员将其结果与庞大的已知编码档案以及随机选取设计的对照组进行了比较。计算机引导的搜索在寻找高质量编码方面明显比随机方法更成功。事实上，他们在获得正面结果的独特设计中，有近 87% 的设计足以达到其高标准，而随机搜索仅有约 73% 的设计能找到强力编码。这表明，计算机引导的方法不仅仅是运气好，而是确实更擅长在复杂的可能性景观中导航，以找到最佳解决方案。
这项研究还揭示了这些编码结构的有趣模式。许多看起来像单个大型区块的设计，实际上是由较小的、相同的部件拼接而成的。通过对这些进行分解，研究人员发现，最有效的编码通常是由这些较小的、相互连接的组件构建而成的。他们还发现，管理这些编码的数学规则通常依赖于特定的、可由简单循环描述的重复模式。这种结构性的洞察有助于解释为什么某些编码比其他编码效果更好，并为未来的搜索提供了更清晰的地图。
尽管本研究侧重于一种特定类型的编码，但其使用的方法为整个领域提供了一种新的前进方向。通过将大语言模型的创造性生成能力与严密的数学验证相结合，研究人员能够比以前更快、更有效地探索广阔的可能性空间。他们不仅发现了几个新编码，还创建了一个可复现的过程，可用于在未来寻找更好的编码。这项工作证实，计算机引导的搜索可以发现传统方法可能会遗漏的高质量解决方案，使我们离稳定、无误的未来量子计算机又近了一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。