Anthropic dit que Claude Mythos 5 a conçu des circuits quantiques qui battent les meilleures conceptions publiées

Anthropic affirme que son modèle Claude Mythos 5 a conçu des circuits quantiques qui améliorent les meilleures conceptions publiées précédemment dans sept des huit tâches de calcul, dans certains cas d'un ordre de grandeur ou plus. Cette affirmation, présentée dans un article de recherche publié vendredi et dans un article de 46 pages soumis à arXiv le 15 octobre, est la démonstration la plus concrète du laboratoire à ce jour que les grands modèles de langage peuvent produire des conceptions scientifiques originales plutôt que de résumer les connaissances existantes.

Le travail a été dirigé par Andi Gu dans le cadre du programme STEM Fellows d'Anthropic, avec le mentorat du physicien quantique d'Anthropic Alek Kemeny et en collaboration avec les physiciens de Harvard Susanne Yelin et Mikhail Lukin, qui est également fondateur de la société d'informatique quantique QuEra. L'article, intitulé "Découverte de circuits quantiques de pointe avec de grands modèles de langage", compte 46 pages avec 10 figures et six tableaux, selon Unite.AI, qui a été l'un des premiers médias à rapporter les résultats en détail aux côtés de The Quantum Insider et Interesting Engineering.

Les huit tâches sont des primitives informatiques – les routines de base à partir desquelles sont construits des algorithmes quantiques plus importants – couvrant la chimie, l'optimisation, la simulation quantique, la théorie des nombres et le calcul numérique. Selon le résumé de l'article, dans sept des huit tâches, les circuits découverts réduisent considérablement à la fois le nombre de portes de Toffoli et le nombre de qubits par rapport à l'état de l'art, tandis que la huitième a donné lieu à une toute nouvelle architecture réversible pour l'inversion modulaire du champ premier.

Pour une couverture continue des résultats de la recherche d'Anthropic et de la course plus large à l'application de l'IA à la science, suivez notre couverture des dernières actualités sur l'IA à mesure que le domaine se développe.

Comment fonctionne la boucle fermée

Le processus de conception est une boucle évolutive dans laquelle le modèle de langage propose des circuits et un évaluateur indépendant les vérifie. Les circuits quantiques peuvent être écrits comme du code ordinaire, c'est pourquoi Claude Mythos 5 a soumis ses conceptions sous forme de programmes Python, a reçu un retour d'exactitude et une note de l'évaluateur, puis a révisé — sans aucune intervention humaine entre les tours.

Le score est volontairement simple : le nombre de qubits multiplié par le nombre de portes. Ce produit sert d’indicateur du temps qu’il faudrait à un circuit pour fonctionner sur un futur ordinateur quantique, et donne au modèle un objectif objectif à atteindre.

Les circuits quantiques imposent également des contraintes que les logiciels ordinaires n'imposent pas. Un circuit ne peut pas bifurquer sur des décisions si-alors, car il s'exécute sur une superposition de plusieurs entrées à la fois et doit contenir les opérations pour chaque chemin à chaque fois qu'il s'exécute. Il ne peut pas non plus éliminer les informations, puisque chaque étape doit être réversible — les résultats intermédiaires doivent être stockés ou « non calculés » en exécutant le calcul qui les a produits à l'envers, au prix de portes supplémentaires. Ces contraintes imposent un compromis entre le nombre de qubits et la durée d'exécution, qui est précisément le compromis repensé par les conceptions de Claude.

Une exécution de 53 heures produit un nouvel algorithme d'inversion modulaire

La première découverte détaillée concerne l'addition de points, l'opération centrale des algorithmes quantiques pour le problème du logarithme discret à courbe elliptique et l'un des points de référence standard dans le domaine. La majeure partie de son coût réside dans une seule étape : l'inversion modulaire, la version enveloppante de la division utilisée dans l'arithmétique des courbes elliptiques.

Selon le message d'Anthropic, Claude a reçu un bref d'un paragraphe expliquant la règle mathématique et comment l'évaluateur noterait chaque conception, puis a travaillé pendant 53 heures avec une intervention humaine minimale avant d'arriver à une approche véritablement nouvelle. Les ordinateurs classiques gèrent efficacement l'inversion modulaire avec une méthode appelée divsteps, mais cette méthode n'a jamais abouti à un circuit quantique pratique, car la réversibilité oblige le circuit à enregistrer quelle opération a été choisie à chaque itération – et le stockage de cet historique de branche nécessite un nombre énorme de qubits supplémentaires.

L'idée de Claude était que l'enregistrement n'avait peut-être pas besoin d'être stocké du tout : les informations sur la branche pourraient être décodées plus tard en inspectant la paire de nombres produite à chaque itération. Les premières règles de décodage fonctionnaient sur de petits cas de test, mais échouaient avec la taille totale du problème de 256 bits, indique le message. Le modèle a ensuite prouvé une série de nouvelles identités algébriques concernant l'itération, dérivé une formule de décodage précise, l'a validée dans des simulations numériques à grande échelle et formalisé l'affirmation dans l'assistant de preuve Lean.

Le résultat, dit Anthropic, est la première implémentation réversible de divsteps sans historique de branche stocké. Parce que le décodage permet d'économiser des qubits mais coûte du temps d'exécution, Claude a produit une famille de conceptions à la frontière entre les deux. Un circuit de cette famille utilise 12 % de qubits en plus mais 17 fois moins de portes que le plus petit modèle précédent ; l'article nomme les meilleurs modèles publiés antérieurement comme Schrottenloher (2026) et Luo et al. (2026).

Un décodeur 12 fois moins cher pour l'optimisation quantique

La deuxième découverte cible l'interférométrie quantique décodée (DQI), décrite dans l'article comme l'un des candidats connus les plus puissants pour une accélération quantique superpolynomiale. L'étape la plus coûteuse de l'algorithme est un décodeur de correction d'erreurs, et les estimations des chercheurs de Google Quantum AI citées dans l'article impliquent qu'une instance particulière du problème d'intersection polynomiale optimale prendrait environ trois mois sur le supercalculateur Frontier contre environ une heure sur un futur ordinateur quantique – la majeure partie de cette heure étant consacrée au décodage Reed-Solomon.

Le circuit décodeur de pointe précédent était construit sur l'algorithme euclidien étendu, dont le nombre de pas dépend de l'entrée, obligeant un circuit quantique à étendre le calcul sur le pire des cas et à exécuter chaque opération à chaque tour. Claude a plutôt organisé son circuit autour du décodage Berlekamp-Massey, qui effectue le même travail à chaque tour. Rendre cela réversible a créé un problème de mémoire, que le modèle a résolu statistiquement : il a écrit un simulateur à grande vitesse et exécuté 403 millions de décodages d'échantillons pour mesurer la fréquence à laquelle des valeurs exceptionnelles se produisent. Presque chaque exécution devait enregistrer au plus une valeur, de sorte que le circuit réserve 19 qubits au lieu des 665 qu'exigerait une conception dans le pire des cas, avec environ un échec sur 10 000 - un taux qui, selon le message, est bien dans le budget d'erreur de la tâche. Les optimisations ont réduit le nombre de portes du décodeur d'un facteur 12 par rapport à la construction précédente de Google, grâce à des changements au niveau de la méthode, de l'architecture et du budget des ressources.

Pourquoi c'est important – et ce que cela ne prouve pas

Pour illustrer les enjeux, l'article d'Anthropic raconte l'histoire de FeMoco, l'amas fer-soufre au cœur de la nitrogénase, l'enzyme utilisée par les bactéries pour transformer l'azote en ammoniac. En 2017, les chercheurs ont estimé que le calcul de l'énergie fondamentale de FeMoco nécessiterait environ 50 000 milliards de portes Toffoli ; une série d'avancées algorithmiques sur huit ans a porté l'estimation à environ 340 millions, soit une réduction de 150 000 fois qui correspond à quelques heures de calcul sur une future machine dotée d'environ trois millions de qubits physiques. Le contraste établi par l'entreprise est brutal : cette amélioration de 150 000 fois a pris huit ans à de nombreux groupes de recherche, tandis que le résultat de la courbe elliptique est le fruit d'une seule analyse de 53 heures.

Les mises en garde sont tout aussi claires. Les ordinateurs quantiques d'aujourd'hui ne disposent que de centaines, voire de milliers de qubits, et ces qubits sont très sensibles au bruit. Il s'agit donc de conceptions pour du matériel futur plutôt que de démonstrations sur des machines en état de marche. Et les résultats sont les propres affirmations d'Anthropic, bien que soutenus par des preuves Lean, une validation numérique et un évaluateur indépendant ; un examen plus approfondi par les pairs du document arXiv ne fait que commencer.

Anthropic rapporte également un modèle de comportement précoce qui mérite d'être noté : lors des premières expériences, Claude était conservateur, vérifiant à plusieurs reprises des résultats bien étayés et préférant les approches familières. L’équipe a contré ce problème en exigeant plusieurs conceptions qualitativement différentes en parallèle et en incitant occasionnellement le modèle à élargir sa recherche – la même prudence, selon les notes post-post, qui a motivé les preuves Lean en premier lieu.

La perspective déclarée de l'entreprise est que l'IA pourrait éventuellement optimiser conjointement chaque composant d'un ordinateur quantique à correction d'erreurs, de l'algorithme au matériel, pour un problème spécifique. Si les résultats tiennent le coup, on se souviendra peut-être moins de cet article pour un circuit unique que pour la démonstration qu'un modèle de langage peut tenir le coup dans l'une des disciplines de conception informatique les plus exigeantes.

Gardez une longueur d'avance sur l'IA

L’informatique quantique, les modèles pionniers et les avancées en matière de recherche entre eux évoluent rapidement. Lire plus d'actualités sur l'IA sur AI Buzz Wire.

Lire plus d'actualités sur l'IA →