OmniQEC：由 AI 科学家发现实用的量子纠错码

OmniQEC 是一个由大型语言模型（LLM）驱动的 AI 科学家，能够自动发现适合现代量子处理器的量子纠错码。它采用慢-快协同工作流：快速循环使用代码级代理筛选候选码，慢速循环进行物理电路级评估并反馈。在四个 qLDPC 构造家族和三个 LLM 后端的测试中，发现的码在 98 和 240 个物理量子位预算下，逻辑错误抑制能力持续优于已知的 BB 码（如 [[72,12,6]] 和 [[144,12,12]]）。这些码具有硬件友好性，可能对实际 QEC 实现有独立价值。

此前量子纠错码发现依赖人工试错或传统搜索算法，难以兼顾代码结构、硬件特性和译码器间的复杂权衡。OmniQEC 首次将 LLM 作为核心协调器，以自动化方式迭代发现码，且结果在相同物理量子位预算下超越了已知基准代码，表明 AI 可显著加速实用容错量子计算的进展。

OmniQEC 将纠错码设计建模为迭代发现过程：LLM 协调器生成候选代码，快速循环用廉价代理（如代码级距离）筛选，慢速循环执行真实电路级评估（包括综合征提取和译码器模拟），并将评估结果反馈给协调器以改进后续生成。这种慢-快协同机制平衡了搜索效率与评估准确性，使 LLM 能逐步探索出硬件友好的高性能码。

对于量子计算硬件研发团队，OmniQEC 可降低人工设计纠错码的试错成本，直接提供适合其架构的候选码（如已证明的 qLDPC 家族），从而缩短从理论到实验部署的周期。量子云服务商也可利用该框架优化资源分配，在有限物理量子位数下实现更低的逻辑错误率。

• 量子处理器制造商可将 OmniQEC 发现的码集成到其编译器或控制软件中，以验证实际性能并规划下一代芯片的物理量子位预算。

• OmniQEC 发现的码在非 qLDPC 构造（如表面码）或者不同物理量子位架构（如超导 vs 离子阱）下的表现是否一致？
• LLM 后端的选择（如 GPT-4、Claude 等）对代码质量和发现效率的具体影响如何？
• 该框架能否直接用于在线优化已部署处理器的纠错设置，还是仅适用于离线发现？