Machine learning ontdekt nieuwe kampioenschapscodes

Waarom dit ertoe doet voor uw digitale leven

Elke foto die u verzendt, elke film die u streamt of elk signaal dat de ruimte in wordt gestuurd, wordt stilletjes beschermd door foutcorrigerende codes—wiskundige trucs die fouten in gegevens opsporen en herstellen. Het verbeteren van deze codes betekent minder wegvallende gesprekken, sneller internet, betrouwbaardere boodschappen uit de diepe ruimte en hogere datadichtheid. Dit artikel toont hoe moderne kunstmatige intelligentie, dezelfde soort technologie achter grote taalmodellen, kan helpen bij het ontdekken van recordbrekende “kampioens”codes die beter presteren dan wat menselijke experts eerder vonden.

Boodschappen beschermen tegen ruis

Wanneer informatie reist—of het nu via Wi‑Fi, onderzeese kabels of tussen de aarde en verre ruimtevaartuigen is—kan ze door ruis vervormd raken. Foutcorrigerende codes beschermen hiertegen door zorgvuldig ontworpen extra bits toe te voegen, zodat fouten gedetecteerd en vaak hersteld kunnen worden. Een belangrijke maat voor de sterkte van een code is de minimale Hamming‑afstand, wat, in losse bewoordingen, aangeeft hoeveel veranderingen een tegenstander of een ruiskanaal zou moeten aanbrengen om een geldige boodschap in een andere te veranderen. Codes die voor hun omvang de grootste bekende afstand bereiken, worden kampioenscodes genoemd. Het vinden van zulke kampioenen is buitengewoon moeilijk: het exact controleren van een enkele kandidaatcode kan een enorme brute‑force zoektocht vereisen die explosief groeit met de probleemgrootte.

Een slim model laten raden wat moeilijk te berekenen is

De auteurs richten zich op een wiskundig rijke familie genaamd gegeneraliseerde torische codes, die zijn opgebouwd uit patronen van punten op een raster. In plaats van elk mogelijk patroon uitputtend te testen, trainen ze een transformer—een neurale netwerka­rchitectuur die veel wordt gebruikt in taalmodellen—om de sterkte (minimale afstand) van een code rechtstreeks uit de definierende matrices te schatten. Met miljoenen voorbeelden over twee eindige talstelsels, aangeduid F7 en F8, leert het model afstanden te voorspellen met fouten die meestal binnen drie eenheden van de werkelijke waarde liggen, en met gemiddelde absolute fouten dichtbij één. Dat is nauwkeurig genoeg om veelbelovende kandidaten te onderscheiden van zwakke, zonder elke keer het trage exacte algoritme te hoeven draaien.

Evolutionair zoeken in de code‑ruimte

Om deze snelle voorspellingen om te zetten in nieuwe ontdekkingen koppelt het team de transformer aan een genetisch algoritme—een optimalisatiemethode geïnspireerd op evolutie. Hier is ieder individu in de populatie een verzameling rasterpunten die een code definieert. Generaties verlopen door betere individuen te selecteren, hun puntensets te recombineren en af en toe te muteren om nieuwe gebieden te verkennen. De geschiktheid van een kandidaat is gebaseerd op de door het model voorspelde afstand, bijgestuurd om codes van een doelgrootte te bevoordelen en te vermijden dat dezelfde oplossingen herontdekt worden. Alleen wanneer de voorspelling aangeeft dat een code uitzonderlijk kan zijn, besteden de onderzoekers de zware berekening om de werkelijke afstand exact te verifiëren.

Random search overtreffen en nieuwe recordhouders vinden

Toegepast op codes over F7 herontdekt deze gecombineerde aanpak betrouwbaar kampioens‑torische codes die eerder moeizaam wiskundig en computationeel werk vereisten. Nog indrukwekkender is dat voor de complexere F8‑omgeving—waar eerdere methoden vastliepen omdat de zoekruimte astronomisch groot is—de methode meer dan 500 kampioenskandidaten blootlegt en ten minste zes bevestigt die voorheen onbekend waren. Door te vergelijken met een willekeurige zoekstrategie laten de auteurs zien dat hun aanpak het aantal dure exacte evaluaties in de lastigste regimes ongeveer kan halveren, een relevante besparing wanneer elke controle zeer kostbaar kan zijn.

Wat dit in de toekomst betekent

Voor een niet‑specialist is de conclusie dat AI ons kan leiden door immense wiskundige landschappen die anders onbereikbaar zouden zijn. Door het ruwe terrein te leren—waar goede codes waarschijnlijk te vinden zijn—en een evolutionair zoekproces naar de meest veelbelovende regio’s te sturen, verandert de combinatie transformer–genetisch algoritme een brute‑force naald‑in‑een‑hooi‑probleem in een meer gerichte schattenjacht. De auteurs verwachten dat met grotere datasets, betere modellen en verdere afstemming soortgelijke technieken het ontwerp van vele typen foutcorrigerende codes kunnen versnellen, inclusief die voor toekomstige communicatienetwerken en zelfs quantumcomputers.

Bronvermelding: He, YH., Kasprzyk, A.M., Le, Q. et al. Machine learning discovers new champion codes. npj Artif. Intell. 2, 37 (2026). https://doi.org/10.1038/s44387-026-00077-3

Trefwoorden: foutcorrigerende codes, machine learning, genetische algoritmen, digitale communicatie, coderingstheorie