LLM 不是答案本身，而是搜索引擎：IBM 用 AI 發現 465 個量子糾錯碼的方法論啟示

• URL: https://ailogora.com/card/ff43d690-740b-4f69-8391-8089bd41656f
• Date Saved: 2025-06-15
• Source: AILogora (作者：陳思維)
• Tags: ai-engineering
• Original: https://research.ibm.com/blog/ai-for-qec

Summary

IBM Research 用 LLM-guided evolutionary workflow 發現了 465 個全新量子糾錯碼候選。文章重點不在量子物理，而在方法論架構。

核心設計原則

LLM 負責「生成候選」，不負責「判斷正確」。

Pipeline 四層架構

1. LLM 生成階段 — 產生 code 候選 + Python 驗證腳本（創意與聯想，可能是垃圾）
2. k-only screening — 極低成本初步篩選，淘汰不符基本數學性質的候選
3. BP-OSD 快速分析 — 業界標準解碼演算法做中等深度篩選
4. MILP 嚴格驗證 — 混合整數線性規劃做數學證明

邏輯：生成廉價、篩選分層、驗證嚴格。

Evolutionary 迭代機制

不只跑一輪 — 通過驗證的結果成為下一代種子，形成反饋迴路，讓 LLM 越跑越聚焦。

AI Agent 設計啟示

• 程式碼生成 agent: LLM 生成多候選 → unit test screening → static analysis → integration test
• 資料分析 agent: LLM 生成假設 → 統計顯著性篩選 → 因果推斷驗證
• 文件檢索 agent: LLM 生成答案片段 → retrieval score screening → fact-check 確認

作者核心觀點

IBM 做的本質是把「科學方法論的可證偽性」注入 LLM 生成流程。很多 LLM 應用不被信任，正因為缺少嚴格證偽的驗證層。正確定位 LLM 為「有偏見的隨機搜索器」，驗證交給更可靠的工具。