Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM을 활용하여 양자 LDPC 코드인 이변량 자전거 코드를 발견하는 진화적 워크플로우를 제안합니다. Python 프로그램을 변이시키는 방식을 통해 수만 개의 후보를 스크리닝하고, 검증 파이프라인을 거쳐 새로운 고성능 양자 코드를 식별했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기양자 LDPC (Low-Density Parity-Check) 코드 발견은 거대한 대수적 설계 공간을 탐색하는 동시에, 발견된 후보들의 파라미터와 동치류 (equivalence classes)를 신뢰성 있게 인증해야 합니다. 본 연구에서는 언어 모델 (LLM)이 이변량 자전거 (bivariate-bicycle) 및 섭동된 이변량 자전거 (perturbed bivariate-bicycle) 코드 안사츠 (ansätze)를 생성하는 Python 프로그램을 변이시키는 LLM 유도 진화 워크플로우를 소개합니다. 5회의 캠페인에 걸쳐, 이 시스템은 약 1,650회의 진화 반복 (evolutionary iterations)을 수행하였고, 약 $2 \times 10^5$개의 후보 코드를 스크리닝하였으며, 약 140시간의 계산 시간과 약 US$400의 LLM 추론 비용이 소요되었습니다. 후보 코드들은 $\mathrm{GF}(2)$ 계수 (rank) 계산, 거리 추정 및 인증, 혼합 정수 선형 계획법 (Mixed-Integer Linear Programming, MILP), BLISS Tanner-graph 중복 제거, 분해 가능성 분석 (decomposability analysis), 그리고 국소-클리포드 동치 (local-Clifford equivalence) 확인을 결합한 단계별 검증 파이프라인을 통해 평가됩니다. 블록 길이 $n \leq 360$에서, 이 워크플로우는 465개의 고유한 후보 코드를 식별하였습니다: 97개의 CSS 이변량 자전거 코드와 368개의 비-CSS (non-CSS) 섭동 변형 코드입니다. CSS 탐색은 이미 알려진 고성능 코드들을 복구하였으며, 분해 불가능한 [[288,16,12]] 코드를 포함하여 거리 $d = 8$에서 최대 $k = 50$에 이르는 고중량 (higher-weight) 코드와 같은 새로운 유한 길이 대표값들을 찾아냈습니다. 비-CSS 탐색은 [[144,12,12]]에서 gross-code 성능 지표에 부합하는 섭동 코드를 생성하였으며, MILP 상태에 따라 인증된 값 또는 상한값으로 보고된 추가적인 고거리 후보들을 생성하였습니다. 전반적으로, 이러한 결과는 LLM 유도 프로그램 진화가 독립적인 평가와 결합될 때 구조화된 양자 코드 발견을 위한 실용적인 도구로 활용될 수 있음을 보여줍니다.