Maskininlärning upptäcker nya championkoder

Varför detta spelar roll för ditt digitala liv

Varje foto du skickar, film du strömmar eller signal som sänds över rymden skyddas tyst av felkorrigerande koder — matematiska knep som upptäcker och rättar fel i data. Att göra dessa koder bättre innebär färre tappade samtal, snabbare internet, mer tillförlitliga meddelanden från djup rymd och tätare datalagring. Denna artikel visar hur modern artificiell intelligens, samma typ av teknik som ligger bakom stora språkmodeller, kan hjälpa till att upptäcka rekordbrytande ”champion”-koder som överträffar vad mänskliga experter tidigare hittat.

Hålla meddelanden säkra mot brus

När information färdas — vare sig över Wi‑Fi, genom undersjöiska kablar eller mellan jorden och avlägsna rymdfarkoster — kan den förvrängas av brus. Felkorrigerande koder skyddar mot detta genom att lägga till noggrant utformade extra bitar så att misstag kan upptäckas och ofta repareras. Ett centralt mått på hur stark en kod är kallas minsta Hamming‑avstånd, vilket, löst uttryckt, talar om hur många förändringar en motståndare eller en brusig kanal skulle behöva göra för att förvandla ett giltigt meddelande till ett annat. Koder som uppnår det största kända avståndet för sin storlek kallas championkoder. Att hitta sådana mästare är förfärligt svårt: att kontrollera en enskild kandidatkod exakt kan kräva en enorm bruteforce‑sökning som växer explosivt med problemstorleken.

Låta en smart modell gissa det som är svårt att beräkna

Författarna fokuserar på en matematiskt rik familj som kallas generaliserade toriska koder, vilka byggs av mönster av punkter på ett rutnät. Istället för att uttömmande testa varje möjlighet tränar de en transformer — en neuralt nätverksarkitektur som används brett i språkmodeller — för att ungefärligt uppskatta styrkan (minsta avståndet) hos en kod direkt från dess definierande matriser. Med miljontals exempel över två ändliga talssystem, märkta F7 och F8, lär sig modellen att förutsäga avstånden med fel som vanligtvis ligger inom tre enheter från det sanna värdet, och med medelabsolutfel nära ett. Det är tillräckligt precist för att skilja lovande kandidater från svaga utan att köra den långsamma exakta algoritmen varje gång.

Evolution i kodernas rum

För att omvandla dessa snabba prediktioner till nya upptäckter kopplar teamet transformern till en genetisk algoritm — en optimeringsmetod inspirerad av evolution. Här är varje individ i populationen en uppsättning rutnäts­punkter som definierar en kod. Generationer fortskrider genom att välja bättre individer, kombinera deras punktuppsättningar och ibland mutera dem för att utforska nya områden. En kandidats fitness baseras på modellens förutsagda avstånd, med en förskjutning för att föredra koder av en målstorlek och för att undvika att återupptäcka samma lösningar. Det är först när prediktionen antyder att en kod kan vara utomordentlig som forskarna lägger ned den tunga beräkningen som krävs för att verifiera dess verkliga avstånd exakt.

Slår slumpmässig sökning och hittar nya rekordhållare

Tillämpat på koder över F7 återupptäcker denna kombinerade metod pålitligt champion‑toriska koder som tidigare krävde mödosamt matematiskt och beräkningsmässigt arbete. Ännu mer imponerande är att för den mer komplexa F8‑inställningen — där tidigare metoder stannade upp eftersom sökutrymmet är astronomiskt stort — hittar metoden över 500 championkandidater och bekräftar minst sex som tidigare var okända. Genom att jämföra mot en slumpmässig sökning visar författarna att deras strategi kan halvera antalet dyra exakta utvärderingar i de svåraste regimerna, en betydande besparing när varje kontroll kan vara mycket kostsam.

Vad detta betyder framåt

För en icke‑specialist är slutsatsen att AI kan vägleda oss genom enorma matematiska landskap som annars skulle vara utom räckhåll. Genom att lära sig det grova terrängen — var bra koder sannolikt finns — och styra en evolutionär sökning mot de mest lovande regionerna förvandlar transformer–genetisk algoritm‑kombinationen ett bruteforce‑nållinje‑i‑höstack‑problem till en mer fokuserad skattjakt. Författarna förväntar sig att med större datamängder, bättre modeller och ytterligare finjusteringar kan liknande tekniker påskynda utformningen av många typer av felkorrigerande koder, inklusive sådana för framtida kommunikationsnätverk och till och med kvantdatorer.

Citering: 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

Nyckelord: felsökande koder, maskininlärning, genetiska algoritmer, digital kommunikation, kodningsteori