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

📄 arXiv: 2607.25865v1 📥 PDF

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

分类: quant-ph, cs.AI, cs.MA

发布日期: 2026-07-28

备注: Comments are welcome

💡 一句话要点

提出OmniQEC以发现适用于现代量子处理器的量子纠错码

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 量子纠错 量子计算 人工智能 自我演化 大型语言模型 qLDPC构造 硬件友好

📋 核心要点

  1. 量子纠错码的发现面临结构、硬件和解码之间的相互作用挑战，现有方法难以有效应对这些竞争需求。
  2. OmniQEC通过将QEC设计视为迭代发现过程，结合自我演化推理机制和快慢协同工作流，提出了一种高效的解决方案。
  3. 在多个qLDPC构造系列和LLM后端的评估中，发现的代码在逻辑错误抑制方面表现优异，超越了现有的BB码。

📝 摘要（中文）

量子纠错（QEC）对于可扩展的容错量子计算至关重要。然而，发现有效的QEC码面临挑战，因为逻辑性能依赖于码结构、硬件、综合提取和解码之间的相互作用。本文介绍了OmniQEC，这是一种高效的AI科学家，旨在发现适合现代量子处理器的QEC码。OmniQEC将QEC设计视为一个迭代发现过程，利用先进的大型语言模型（LLMs）协调代码生成、代码筛选、综合提取和基于解码器的电路评估。通过在四个qLDPC构造系列、三个LLM后端和每个后端14个物理量子比特预算的评估，发现的代码在增加物理量子比特预算时显示出逻辑错误抑制的稳步改善，并在98和240个物理量子比特的完全实现预算下超越了BB码。

🔬 方法详解

问题定义：本文旨在解决量子纠错码（QEC）发现中的有效性问题，现有方法在结构、硬件和解码之间的相互作用上存在竞争需求，导致难以找到适用的QEC码。

核心思路：OmniQEC的核心思路是将QEC设计视为一个迭代发现过程，利用大型语言模型（LLMs）作为协调者，整合代码生成、筛选、综合提取和电路评估。通过快慢循环的协同工作，快速探索候选码，同时进行物理基础的电路评估。

技术框架：OmniQEC的整体架构包括四个主要模块：代码生成、代码筛选、综合提取和电路评估。快速循环使用低成本的代码级代理进行候选探索，慢速循环则进行电路级评估并将结果反馈到搜索中。

关键创新：OmniQEC的主要创新在于其自我演化推理机制和快慢协同工作流的结合，使得QEC设计过程更加高效和灵活，能够在物理层面上进行更深入的评估。

关键设计：在参数设置上，OmniQEC使用了多个qLDPC构造系列和三个不同的LLM后端，确保在每个后端的14个物理量子比特预算内进行全面评估。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，OmniQEC发现的量子纠错码在逻辑错误抑制方面表现出显著提升，尤其是在物理量子比特预算增加时，超越了BB码，具体表现为在98和240个物理量子比特的完全实现预算下，分别达到了更优的性能。

🎯 应用场景

OmniQEC的研究成果在量子计算领域具有广泛的应用潜力，尤其是在量子纠错的实际实现中。通过发现硬件友好的QEC码，能够提升量子计算的容错能力，推动量子计算机的实用化进程，具有重要的理论和实际价值。

📄 摘要（原文）

Quantum error correction (QEC) is indispensable for scalable fault-tolerant quantum computing. However, discovering QEC codes that remain effective is challenging, as logical performance depends on the interplay between code structure, hardware, syndrome extraction, and decoding, which often impose competing requirements. Here we introduce OmniQEC, an efficient AI scientist for discovering QEC codes suited to deployment on modern quantum processors. OmniQEC formulates QEC design as an iterative discovery process in which an orchestrator, implemented by advanced large language models (LLMs), coordinates code generation, code-level screening, syndrome-extraction synthesis, and decoder-based circuit evaluation. At its core, OmniQEC combines a self-evolving reasoning mechanism with a slow--fast synergistic workflow: a fast loop explores candidates using inexpensive code-level proxies, whereas a slow loop performs physically grounded circuit-level evaluation and feeds the resulting evidence back into the search. We evaluate OmniQEC across four qLDPC construction families, three LLM backends, and $14$ total-physical-qubit budgets per backend. The discovered codes show steadily improving logical-error suppression with increasing physical-qubit budgets and outperform the BB codes with $[![72,12,6]!]$ and $[![144,12,12]!]$ under complete-implementation budgets of 98 and 240 physical qubits, respectively. The discovered codes are hardware-friendly and may be of independent interest for practical QEC implementation. These findings pave the way towards LLM-assisted QEC discovery grounded in physically informed code--circuit--decoder co-design.