OmniQEC: 인공지능 과학자를 활용한 실용적인 양자 오류 수정 코드 발굴

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

양자 오류 수정(QEC)은 확장 가능한 오류 허용형 양자 컴퓨팅에 필수적입니다. 그러나 효과적인 QEC 코드를 발견하는 것은 어렵습니다. 왜냐하면 논리적 성능은 코드 구조, 하드웨어, 신호 추출 및 디코딩 간의 상호 작용에 따라 달라지며, 이러한 요소들은 종종 서로 충돌하는 요구 사항을 가하기 때문입니다. 본 연구에서는 현대 양자 프로세서에 적합한 QEC 코드를 발견하는 효율적인 인공지능 시스템인 OmniQEC를 소개합니다. OmniQEC는 QEC 설계를 반복적 탐색 과정으로 정의하며, 고급 대규모 언어 모델(LLM)로 구현된 조정자가 코드 생성, 코드 수준 검토, 신호 추출 합성 및 디코더 기반 회로 평가를 조율합니다. OmniQEC의 핵심은 자체 진화하는 추론 메커니즘과 느린-빠른 시너지 워크플로우를 결합한 것입니다. 빠른 루프는 저렴한 코드 수준 지표를 사용하여 후보군을 탐색하고, 느린 루프는 물리적 기반의 회로 수준 평가를 수행하며, 그 결과를 검색 과정에 피드백합니다. OmniQEC는 네 가지 qLDPC 구성 패밀리, 세 가지 LLM 백엔드 및 각 백엔드당 14개의 총 물리 큐비트 예산에서 테스트되었습니다. 발견된 코드는 물리 큐비트 예산이 증가함에 따라 지속적으로 논리 오류 억제 성능이 향상되었으며, 각각 98개와 240개의 물리 큐비트를 사용하는 완전 구현 시 BB 코드인 $[\![72,12,6]\!]$ 및 $[\![144,12,12]\!]$보다 뛰어난 성능을 보였습니다. 발견된 코드는 하드웨어 친화적이며, 실제 QEC 구현에 독립적으로 유용할 수 있습니다. 이러한 결과는 물리 기반 코드-회로-디코더 공동 설계를 통해 LLM 지원 QEC 탐색의 길을 열어줍니다.

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.