量子科技中心_量科网

量子LDPC码的发现需要搜索庞大的代数设计空间，同时可靠地验证任何候选码的参数和等价类。该团队引入了一种基于大语言模型的进化工作流程，其中语言模型对生成双自行车码和扰动双自行车码候选结构的Python程序进行变异。在五轮实验中，该系统执行了约1,650次进化迭代，筛选了约\(2 \times 10^5\)个候选码，耗时约140小时计算，LLM推理成本约400美元。候选码通过一个分阶段验证流水线进行评估，该流水线结合了\(\mathrm{GF}(2)\)秩计算、距离估计与认证、混合整数线性规划、BLISS Tanner图去重、可分解性分析以及局部Clifford等价性检查。在码长\(n \leq 360\)条件下，该工作流程识别出465个不同的候选码：97个CSS双自行车码和368个非CSS扰动变体。CSS搜索恢复了已知的高性能码，并发现了新的有限长代表码，包括一个不可分解的[[288,16,12]]码以及距离\(d = 8\)时维度高达\(k = 50\)的高权重码。非CSS搜索产生了与[[144,12,12]]粗码优值匹配的扰动码，以及根据MILP状态报告为认证值或上界的其他高距离候选码。总体而言，这些结果表明，当与独立评估相结合时，LLM引导的程序进化可以成为结构化量子码发现的实用工具。