研究者参与式进化流程发现纠缠辅助量子码族
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载流程如何串起证据链
论文关注的问题在于：LLM 引导的程序进化能给出数学构造，但有效性、一般性与可复现性需要各自独立的证据。作者因此搭建了一条研究者参与式的发现流程，把程序进化、精确求值、数学推广、经过认证的不存在性检查以及形式化证明检查依次衔接。起点是并未指定族公式的任务，进化程序先产出有限量子比特的构造，再由研究者识别其中的结构并加以推广。这样，计算搜索得到的有限结果与研究者给出的数学论证被放在同一条证据链上，而不是彼此割裂。
得到的码族与填补的空缺
推广后的族写作 [[n,1,n-1;n-q-1]]_q，适用范围为素数幂 q≥3 且 n≥2q+1，以及 q=2 且 n 为不小于 5 的奇数。该族背后的代数证书由 Lean 检查。与纠缠提升结合后，这一族在存档的 EAQECC 表中补上了 54 个空缺。作者同时公开了多项可复核材料：115 条已验证码记录、10 项带 DRAT 证明检查的不存在性结果、族的实现，以及保留下来用于精确检查与带种子重放的搜索程序。
留出长度上的成功率对比
为衡量流程的效果，作者设置了由八个配对生成块组成的对照队列，并在未参与训练的长度 n=13 与 n=15 上做留出执行。经验证筛选的迭代程序在这两个长度上的成功率分别为 46.1% 与 31.6%，而独立生成的程序分别为 19.5% 与 3.1%。这组对比说明，把程序进化与研究者的分析结合起来，能把有限的计算发现转化为带有可独立检查证据的已证明族，而不是停留在单次搜索的产物上。
为什么值得看
展示 LLM 引导的程序进化如何与形式化证明结合，产出可独立复核的数学结论，而不只是有限搜索结果。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。