Anthropic sagt, dass Claude Mythos 5 Quantenschaltkreise entwickelt hat, die die besten veröffentlichten Designs übertreffen

Anthropic sagt, dass sein Claude Mythos 5-Modell Quantenschaltungen entworfen hat, die die besten zuvor veröffentlichten Designs bei sieben von acht Rechenaufgaben verbessern, in einigen Fällen um eine Größenordnung oder mehr. Die Behauptung, die in einem am Freitag veröffentlichten Forschungsbeitrag und einem am 15. Oktober bei arXiv eingereichten 46-seitigen Artikel dargelegt wurde, ist der bisher konkretste Beweis des Labors dafür, dass große Sprachmodelle originelle wissenschaftliche Designs erzeugen können, anstatt vorhandenes Wissen zusammenzufassen.

Die Arbeit wurde von Andi Gu im Rahmen des STEM Fellows-Programms von Anthropic geleitet, unter der Leitung des Anthropic-Quantenphysikers Alek Kemeny und in Zusammenarbeit mit den Harvard-Physikern Susanne Yelin und Mikhail Lukin, der auch Gründer des Quantencomputerunternehmens QuEra ist. Das Papier mit dem Titel „Discovering State-of-the-Art Quantum Circuits with Large Language Models“ umfasst 46 Seiten mit 10 Abbildungen und sechs Tabellen, so Unite.AI, das neben The Quantum Insider und Interesting Engineering zu den ersten Medien gehörte, die die Ergebnisse ausführlich berichteten.

Bei den acht Aufgaben handelt es sich um Rechenprimitive – die Grundroutinen, aus denen größere Quantenalgorithmen aufgebaut werden – und umfassen Chemie, Optimierung, Quantensimulation, Zahlentheorie und numerisches Rechnen. Der Zusammenfassung des Papiers zufolge reduzieren die entdeckten Schaltkreise bei sieben der acht Aufgaben sowohl die Toffoli-Gate-Anzahl als auch die Qubit-Anzahl im Vergleich zum Stand der Technik erheblich, während die achte eine völlig neue reversible Architektur für die modulare Prime-Field-Inversion hervorbrachte.

Um weiterhin über die Forschungsergebnisse von Anthropic und den breiteren Wettlauf um die Anwendung von KI in der Wissenschaft zu berichten, verfolgen Sie unsere aktuelle KI-Nachrichten Berichterstattung über die Entwicklung des Fachgebiets.

So funktioniert der geschlossene Kreislauf

Der Entwurfsprozess ist eine Evolutionsschleife, in der das Sprachmodell Schaltkreise vorschlägt und ein unabhängiger Bewerter diese prüft. Quantenschaltungen können als gewöhnlicher Code geschrieben werden, daher reichte Claude Mythos 5 Entwürfe als Python-Programme ein, erhielt Feedback zur Korrektheit und eine Bewertung vom Gutachter und überarbeitete sie – ohne menschliche Eingaben zwischen den Runden.

Das Ergebnis ist bewusst einfach: die Anzahl der Qubits multipliziert mit der Anzahl der Tore. Dieses Produkt dient als Indikator dafür, wie lange es dauern würde, bis eine Schaltung auf einem zukünftigen Quantencomputer läuft, und es gibt dem Modell ein objektives Ziel, das es durchsetzen kann.

Quantenschaltkreise stellen außerdem Einschränkungen dar, die bei gewöhnlicher Software nicht gelten. Eine Schaltung kann nicht nach Wenn-Dann-Entscheidungen verzweigen, da sie auf einer Überlagerung vieler Eingaben gleichzeitig ausgeführt wird und bei jeder Ausführung die Operationen für jeden Pfad enthalten muss. Es können auch keine Informationen verworfen werden, da jeder Schritt umkehrbar sein muss – Zwischenergebnisse müssen gespeichert oder „unberechnet“ werden, indem die Berechnung, die sie erzeugt hat, umgekehrt ausgeführt wird, was zusätzliche Gatter kostet. Diese Einschränkungen erzwingen einen Kompromiss zwischen der Anzahl der Qubits und der Laufzeit, der genau der Kompromiss ist, den Claude in seinen Entwürfen neu gestaltet hat.

Ein 53-Stunden-Lauf erzeugt einen neuen modularen Inversionsalgorithmus

Die erste detaillierte Entdeckung betrifft die Punktaddition, die Kernoperation in Quantenalgorithmen für das Problem des diskreten Logarithmus mit elliptischen Kurven und einen der Standardmaßstäbe auf diesem Gebiet. Der größte Teil der Kosten liegt in einem einzigen Schritt – der modularen Inversion, der umfassenden Version der Division, die in der Arithmetik mit elliptischen Kurven verwendet wird.

Dem Beitrag von Anthropic zufolge erhielt Claude eine kurze Beschreibung mit einem Absatz, in der er die mathematische Regel erläuterte und erklärte, wie der Bewerter jeden Entwurf bewerten würde. Anschließend arbeitete er 53 Stunden lang mit minimalem menschlichen Eingriff, bevor er zu einem wirklich neuen Ansatz gelangte. Klassische Computer handhaben die modulare Inversion effizient mit einer Methode namens divsteps, aber diese Methode hat noch nie zu einem praktischen Quantenschaltkreis geführt, da die Umkehrbarkeit den Schaltkreis dazu zwingt, bei jeder Iteration aufzuzeichnen, welche Operation gewählt wurde – und die Speicherung dieser Verzweigungshistorie eine enorme Anzahl zusätzlicher Qubits erfordert.

Claudes Erkenntnis war, dass der Datensatz möglicherweise überhaupt nicht gespeichert werden muss: Die Verzweigungsinformationen könnten später entschlüsselt werden, indem das bei jeder Iteration erzeugte Zahlenpaar untersucht wird. Frühe Dekodierungsregeln funktionierten bei kleinen Testfällen, schlugen jedoch bei der vollen 256-Bit-Problemgröße fehl, heißt es in dem Beitrag. Das Modell bewies dann eine Reihe neuer algebraischer Identitäten über die Iteration, leitete eine präzise Dekodierungsformel ab, validierte sie in groß angelegten numerischen Simulationen und formalisierte die Behauptung im Lean-Beweisassistenten.

Das Ergebnis ist laut Anthropic die erste umkehrbare Implementierung von divsteps ohne gespeicherten Branch-Verlauf. Da die Dekodierung zwar Qubits einspart, aber Laufzeit kostet, hat Claude eine Designfamilie entlang der Grenze zwischen beiden erstellt. Eine Schaltung dieser Familie verwendet 12 % mehr Qubits, aber 17-mal weniger Gatter als das kleinste vorherige Design; Der Beitrag nennt die besten bisher veröffentlichten Designs Schrottenloher (2026) und Luo et al. (2026).

Ein 12-mal günstigerer Decoder für die Quantenoptimierung

Die zweite Entdeckung zielt auf die dekodierte Quanteninterferometrie (DQI) ab, die in dem Beitrag als einer der stärksten bekannten Kandidaten für eine superpolynomielle Quantenbeschleunigung beschrieben wird. Der teuerste Schritt des Algorithmus ist ein fehlerkorrigierender Decoder, und Schätzungen von Google Quantum AI-Forschern, die in dem Beitrag zitiert werden, deuten darauf hin, dass eine bestimmte Instanz des optimalen Polynomschnittpunktproblems auf dem Frontier-Supercomputer etwa drei Monate dauern würde, im Vergleich zu etwa einer Stunde auf einem zukünftigen Quantencomputer – wobei der größte Teil dieser Stunde für die Reed-Solomon-Dekodierung aufgewendet wird.

Die bisherige hochmoderne Decoderschaltung basierte auf dem erweiterten euklidischen Algorithmus, dessen Schrittzahl von der Eingabe abhängt und eine Quantenschaltung dazu zwingt, die Berechnung über den schlimmsten Fall auszudehnen und jede Operation in jeder Runde auszuführen. Stattdessen organisierte Claude seinen Schaltkreis um die Berlekamp-Massey-Dekodierung herum, die in jeder Runde die gleiche Arbeit ausführt. Durch die Umkehrung entstand ein Speicherproblem, das das Modell statistisch löste: Es schrieb einen Hochgeschwindigkeitssimulator und führte 403 Millionen Beispieldekodierungen durch, um zu messen, wie oft außergewöhnliche Werte auftreten. Bei fast jedem Durchlauf musste höchstens ein Wert gespeichert werden, sodass die Schaltung 19 Qubits reserviert, statt der 665, die ein Worst-Case-Design erfordern würde, wobei etwa ein Durchlauf von 10.000 fehlschlägt – eine Rate, die dem Beitrag zufolge deutlich innerhalb des Fehlerbudgets der Aufgabe liegt. Durch die Optimierungen wurde die Gate-Anzahl des Decoders im Vergleich zur vorherigen Konstruktion von Google um den Faktor 12 reduziert, und zwar durch Änderungen auf der Ebene der Methode, der Architektur und des Ressourcenbudgets.

Warum es wichtig ist – und was es nicht beweist

Um zu verdeutlichen, worum es geht, erzählt der Beitrag von Anthropic die Geschichte von FeMoco, dem Eisen-Schwefel-Cluster im Herzen der Nitrogenase, dem Enzym, das Bakterien verwenden, um Stickstoff in Ammoniak umzuwandeln. Im Jahr 2017 schätzten Forscher, dass die Berechnung der Grundzustandsenergie von FeMoco etwa 50 Billionen Toffoli-Gatter erfordern würde; Eine Reihe von algorithmischen Fortschritten über einen Zeitraum von acht Jahren brachten die Schätzung auf etwa 340 Millionen – eine 150.000-fache Reduzierung, die einigen Stunden Berechnung auf einer zukünftigen Maschine mit etwa drei Millionen physikalischen Qubits entspricht. Der Kontrast, den das Unternehmen zieht, ist eindeutig: Für die 150.000-fache Verbesserung brauchten viele Forschungsgruppen acht Jahre, während das Ergebnis der elliptischen Kurve aus einem einzigen 53-Stunden-Durchlauf stammte.

Die Vorbehalte sind ebenso klar. Heutige Quantencomputer verfügen nur über Hunderte bis Tausende von Qubits, und diese Qubits reagieren sehr empfindlich auf Rauschen. Es handelt sich also eher um Entwürfe für zukünftige Hardware als um Demonstrationen auf funktionierenden Maschinen. Und die Ergebnisse sind die eigenen Behauptungen von Anthropic, wenn auch durch Lean-Beweise, numerische Validierung und einen unabhängigen Gutachter gestützt; Eine umfassendere Peer-Prüfung des arXiv-Papiers steht erst am Anfang.

Anthropic berichtet auch über ein bemerkenswertes frühes Verhaltensmuster: In ersten Experimenten war Claude konservativ, überprüfte wiederholt gut belegte Ergebnisse doppelt und dreifach und bevorzugte vertraute Ansätze. Dem begegnete das Team, indem es mehrere qualitativ unterschiedliche Designs parallel forderte und das Modell gelegentlich dazu veranlasste, seine Suche zu erweitern – dieselbe Vorsicht, heißt es in dem Beitrag, die die Lean-Beweise überhaupt erst veranlasste.

Das Unternehmen geht davon aus, dass KI letztendlich jede Komponente eines fehlerkorrigierten Quantencomputers, vom Algorithmus bis zur Hardware, gemeinsam für ein bestimmtes Problem optimieren könnte. Wenn die Ergebnisse stimmen, wird der Aufsatz möglicherweise weniger wegen einer einzelnen Schaltung in Erinnerung bleiben als wegen der Demonstration, dass ein Sprachmodell in einer der anspruchsvollsten Designdisziplinen der Informatik bestehen kann.

Bleiben Sie der KI immer einen Schritt voraus

Quantencomputing, Grenzmodelle und die Forschungsdurchbrüche zwischen ihnen schreiten schnell voran. Lesen Sie weitere KI-Neuigkeiten auf AI Buzz Wire.

Weitere KI-Neuigkeiten lesen →