大语言模型能否发现量子纠错码？IBM研究新突破

量子信息极为脆弱。量子计算的基本信息单元——量子比特，只需出现少量错误，就足以让整个计算过程前功尽弃。量子纠错码（QEC）能够有效解决这一问题，但由于潜在的编码方案数量庞大，从中找到真正有用的方案往往耗时费力、对计算资源要求极高。而AI或许能提供一条更高效的路径。

IBM研究人员近日在arXiv上发表了一篇新论文，展示了一种由大语言模型驱动的进化工作流程。该系统能够快速探索数千种编码变体，筛选出最具潜力的候选方案并深入分析其特性。这项工作是量子计算与经典AI之间日益密切的双向互动的典型案例，两者正在相互促进、协同加速发展。

量子纠错码是一种通过引入冗余来保护量子信息的数学结构。其基本原理是利用多个物理量子比特来表示数量更少的逻辑量子比特所承载的信息。如果组内某个物理量子比特发生错误，可通过其他未出错的量子比特进行检测和纠正。

这类编码的参数通常以[[n,k,d]]格式表示：n代表编码中物理量子比特的数量，k代表经纠错后得到的逻辑量子比特数量，d则是"距离"，衡量一个逻辑量子比特在失去可用性之前能够容忍的错误数量。

理想情况下，人们希望一种编码所需的物理量子比特尽可能少、能编码尽量多的逻辑量子比特，同时具备较强的容错能力。然而在实际中，提升其中某一项性能往往会牺牲其他性能，不存在适用于所有场景的最优编码。

这种基于AI的新工作流程，有望帮助研究人员以前所未有的全面性理解各种性能权衡关系，同时也使测试新型纠错方案的可行性变得更加便捷。

新框架的核心构建

该研究团队的AI工作流程核心是一个名为OpenEvolve的库，它在AlphaEvolve和FunSearch所开创的进化AI技术基础上进一步发展而来。该框架已取得的初步成果证明了大语言模型作为科研工具的实用价值，据该团队所知，这也是进化AI技术首次被应用于量子纠错码的发现。

研究人员以双变量自行车码（BB码）为测试对象——这是IBM在其容错量子计算路线图中提出的一种量子低密度奇偶校验码（qLDPC）。BB码由代数表达式定义，用于描述纠错组中物理量子比特的处理方式，例如对哪些量子比特进行错误检测以及何时进行检测。

在这一框架中，大语言模型的任务是对可能成为优质候选编码的代数表达式给出有依据的猜测。模型接收的提示词包含所研究纠错码家族的相关信息、待优化的目标属性以及已知优质编码的示例。在研究人员的引导下，大语言模型随后生成用于生成编码本身的Python脚本。

尽管AI在提升框架效率方面发挥了关键作用，但利用成熟的验证方法进行额外分析同样不可或缺，以确保最终留存的都是有效且新颖的编码方案。

像淘金一样筛选候选编码

团队开发的级联框架，运作方式有些像在河流中淘金。

大语言模型生成的编码就是放入淘金盘中尚未分拣的泥沙。最初的快速筛查（如仅检验k值）会剔除不符合特定标准的编码，就像摇动淘金盘将密度不足的石块筛去一样。

接下来，一种名为置信传播与有序统计解码（BP-OSD）的技术进一步缩小候选范围——BP-OSD分析量子纠错码的速度较快，但精确度有一定局限，相当于目视检查淘金盘中剩余的碎石，剔除那些颜色明显不对的部分。

最后阶段则采用一种精确但计算代价较高的技术——混合整数线性规划（MILP），专门对最顶尖的候选方案进行深入验证，就像把金色的石块送进实验室，检验究竟找到了什么。

框架运行过程中，后续阶段的结果会持续反馈给大语言模型，帮助优化其输出，产生质量更高的候选编码。进化搜索结束后，还会进行额外的验证和去重检查，确认无误后再将编码收录至已验证编码目录。

无论每次"淘金"的收获多寡，这一框架本身就具有重要价值——它能帮助研究人员快速评估不同纠错码家族，并判断下一步应重点探索的方向。不断转换"淘金"地点，就有可能找到储量最丰富的矿脉所在。

465个新量子纠错码候选方案

团队实验的主要目标是构建进化框架本身，但初步演示已经发现了465个新的纠错码——其中部分或可为后续研究提供方向。

这些编码涵盖了广泛的参数范围和性能权衡关系。例如，其中一个编码的逻辑量子比特数量高达50个，远超同类编码家族此前16个的纪录，不过较低的距离值限制了其实用性。另一个编码仅需72个物理量子比特，对某些类型的硬件而言，实现难度可能低于规模更大的编码。

团队实验中生成的几个新编码在性能上实现了更均衡的权衡，例如[[288,16,12]]和[[360,12,≤24]]等方案。据预测，在某些噪声类型下，这些编码的表现甚至可与IBM计划用于容错量子计算机的经典[[144,12,12]]Gross码相媲美。

这些编码中有些或许会被证明具有实用价值，但在做出任何确定性判断之前，还需要在真实应用场景中进行大量的进一步验证工作。然而，如此众多新编码的发现，已充分证明了这一新框架在大幅加速量子纠错代数编码空间探索方面的可行性。

开源共享，面向未来

IBM研究团队已将该框架完全开源，并鼓励更多研究者基于此框架开展自己的量子纠错码探索。所有入门所需的资源均可在GitHub上获取。

IBM团队的未来工作方向包括持续完善该框架，并深入研究已发现的部分最具潜力的纠错码候选方案的实际应用可能性。

Q&A

Q1：量子纠错码中的[[n,k,d]]参数格式是什么意思？

A：[[n,k,d]]是量子纠错码的标准参数格式。其中n表示编码中物理量子比特的总数量，k表示经过纠错处理后得到的逻辑量子比特数量，d表示"距离"，即一个逻辑量子比特在失去可用性之前能够容忍的错误数量。理想情况下，希望n尽量小、k尽量大、d尽量高，但这三个参数在实际中存在相互制约的关系，提升其中一项往往会牺牲另一项。

Q2：IBM研究团队的大语言模型进化框架具体是怎么工作的？

A：该框架以OpenEvolve库为核心，通过大语言模型生成候选量子纠错码的代数表达式，并输出对应的Python脚本。生成的候选编码随后经过多级筛选：首先进行快速的k值初筛，接着使用BP-OSD技术缩小候选范围，最后用计算精度更高的混合整数线性规划（MILP）对顶级候选方案进行严格验证。每一阶段的结果都会反馈给大语言模型，帮助持续优化后续输出质量。

Q3：IBM量子纠错码框架发现的465个新候选编码中，有哪些值得关注的成果？

A：在465个新候选编码中，有几个尤为突出。其中一个编码的逻辑量子比特数量达到50个，大幅超越同类编码家族此前16个的纪录，但距离值较低限制了实用性。另一个编码仅需72个物理量子比特，适合硬件资源有限的场景。此外，[[288,16,12]]和[[360,12,≤24]]等编码在性能权衡上更为均衡，预测表现接近IBM计划用于容错量子计算机的[[144,12,12]]Gross码。