A Anthropic afirma que seu modelo Claude Mythos 5 projetou circuitos quânticos que melhoram os melhores projetos publicados anteriormente em sete das oito tarefas computacionais, em alguns casos em uma ordem de magnitude ou mais. A afirmação, apresentada em um post de pesquisa publicado na sexta-feira e em um artigo de 46 páginas submetido ao arXiv em 15 de outubro, é a demonstração mais concreta do laboratório de que grandes modelos de linguagem podem produzir projetos científicos originais em vez de resumir o conhecimento existente.
O trabalho foi liderado por Andi Gu por meio do STEM Fellows Program da Anthropic, com orientação do físico quântico da Anthropic Alek Kemeny e em colaboração com os físicos de Harvard Susanne Yelin e Mikhail Lukin, que também é fundador da empresa de computação quântica QuEra. O artigo, intitulado “Descobrindo circuitos quânticos de última geração com grandes modelos de linguagem”, tem 46 páginas com 10 figuras e seis tabelas, de acordo com a Unite.AI, que foi um dos primeiros veículos a relatar os resultados em detalhes junto com The Quantum Insider e Interesting Engineering.
As oito tarefas são primitivas computacionais – as rotinas básicas a partir das quais algoritmos quânticos maiores são construídos – abrangendo química, otimização, simulação quântica, teoria dos números e computação numérica. De acordo com o resumo do artigo, em sete das oito tarefas os circuitos descobertos reduzem significativamente as contagens de portas Toffoli e as contagens de qubits em relação ao estado da arte, enquanto a oitava produziu uma arquitetura reversível inteiramente nova para inversão modular de campo principal.
Para uma cobertura contínua da produção de pesquisa da Anthropic e da corrida mais ampla para aplicar a IA à ciência, siga nossa cobertura de notícias de última hora sobre IA à medida que o campo se desenvolve.
Como funciona o circuito fechado
O processo de design é um ciclo evolutivo no qual o modelo de linguagem propõe circuitos e um avaliador independente os verifica. Os circuitos quânticos podem ser escritos como código comum, então Claude Mythos 5 enviou projetos como programas Python, recebeu feedback de correção e uma pontuação do avaliador e revisou – sem nenhuma intervenção humana entre as rodadas.
A pontuação é deliberadamente simples: o número de qubits multiplicado pelo número de portas. Esse produto serve como um indicador de quanto tempo um circuito levaria para funcionar em um futuro computador quântico e dá ao modelo uma meta objetiva a ser eliminada.
Os circuitos quânticos também impõem restrições que o software comum não impõe. Um circuito não pode ramificar-se em decisões se-então, porque ele executa uma superposição de muitas entradas ao mesmo tempo e deve conter as operações para cada caminho cada vez que é executado. Também não pode descartar informações, uma vez que cada passo deve ser reversível - os resultados intermediários devem ser armazenados ou "descomputados", executando-se ao contrário o cálculo que os produziu, ao custo de portas adicionais. Essas restrições forçam uma compensação entre a contagem de qubits e o tempo de execução, que é precisamente a compensação que os projetos de Claude reformularam.
Uma execução de 53 horas produz um novo algoritmo de inversão modular
A primeira descoberta detalhada diz respeito à adição de pontos, a operação central em algoritmos quânticos para o problema do logaritmo discreto de curva elíptica e um dos benchmarks padrão do campo. A maior parte de seu custo reside em uma única etapa – inversão modular, a versão envolvente da divisão usada na aritmética de curvas elípticas.
De acordo com a postagem da Anthropic, Claude recebeu um resumo de um parágrafo explicando a regra matemática e como o avaliador avaliaria cada projeto, depois trabalhou por 53 horas com o mínimo de intervenção humana antes de chegar a uma abordagem genuinamente nova. Os computadores clássicos lidam com a inversão modular de forma eficiente com um método chamado divsteps, mas esse método nunca produziu um circuito quântico prático, porque a reversibilidade força o circuito a registrar qual operação foi escolhida em cada iteração – e armazenar esse histórico de ramificação requer um enorme número de qubits adicionais.
A conclusão de Claude foi que o registro talvez não precisasse ser armazenado: as informações da ramificação poderiam ser decodificadas posteriormente, inspecionando o par de números produzido em cada iteração. As primeiras regras de decodificação funcionaram em pequenos casos de teste, mas falharam no tamanho total do problema de 256 bits, afirma a postagem. O modelo então provou uma série de novas identidades algébricas sobre a iteração, derivou uma fórmula de decodificação precisa, validou-a em simulações numéricas em grande escala e formalizou a afirmação no assistente de prova Lean.
O resultado, diz a Anthropic, é a primeira implementação reversível de divsteps sem histórico de ramificação armazenado. Como a decodificação economiza qubits, mas custa tempo de execução, Claude produziu uma família de designs ao longo da fronteira entre os dois. Um circuito dessa família usa 12% mais qubits, mas 17 vezes menos portas do que o menor projeto anterior; a postagem nomeia os melhores designs publicados anteriormente como Schrottenloher (2026) e Luo et al. (2026).
Um decodificador 12x mais barato para otimização quântica
A segunda descoberta tem como alvo a interferometria quântica decodificada (DQI), descrita no post como um dos candidatos mais fortes conhecidos para uma aceleração quântica superpolinomial. A etapa mais cara do algoritmo é um decodificador de correção de erros, e as estimativas dos pesquisadores do Google Quantum AI citadas na postagem implicam que uma instância específica do problema de interseção polinomial ideal levaria cerca de três meses no supercomputador Frontier versus cerca de uma hora em um futuro computador quântico – com a maior parte dessa hora gasta na decodificação Reed-Solomon.
O circuito decodificador de última geração anterior foi construído no algoritmo euclidiano estendido, cuja contagem de passos depende da entrada, forçando um circuito quântico a esticar a computação no pior caso e executar todas as operações em todas as rodadas. Em vez disso, Claude organizou seu circuito em torno da decodificação Berlekamp-Massey, que realiza o mesmo trabalho a cada rodada. Tornar isso reversível criou um problema de memória, que o modelo resolveu estatisticamente: escreveu um simulador de alta velocidade e executou 403 milhões de decodificações de amostras para medir a frequência com que ocorrem valores excepcionais. Quase todas as execuções precisavam salvar no máximo um valor, então o circuito reserva 19 qubits em vez dos 665 que um projeto de pior caso exigiria, com aproximadamente uma execução em 10.000 falhando – uma taxa que o post diz estar dentro do orçamento de erros da tarefa. As otimizações reduziram a contagem de portas do decodificador por um fator de 12 em relação à construção anterior do Google, por meio de mudanças nos níveis de método, arquitetura e orçamento de recursos.
Por que é importante — e o que não prova
Para ilustrar o que está em jogo, a postagem da Anthropic reconta a história do FeMoco, o aglomerado de ferro-enxofre no coração da nitrogenase, a enzima que as bactérias usam para transformar nitrogênio em amônia. Em 2017, os pesquisadores estimaram que o cálculo da energia do estado fundamental do FeMoco exigiria cerca de 50 trilhões de portas Toffoli; uma série de avanços algorítmicos ao longo de oito anos elevou a estimativa para cerca de 340 milhões – uma redução de 150.000 vezes que corresponde a algumas horas de computação em uma máquina futura com cerca de três milhões de qubits físicos. O contraste que a empresa traça é contundente: essa melhoria de 150.000 vezes levou oito anos para muitos grupos de pesquisa, enquanto o resultado da curva elíptica resultou de uma única execução de 53 horas.
As advertências são igualmente claras. Os computadores quânticos de hoje têm apenas centenas a milhares de qubits, e esses qubits são altamente sensíveis ao ruído, portanto, estes são projetos para hardware futuro, em vez de demonstrações em máquinas em funcionamento. E os resultados são afirmações da própria Anthropic, embora apoiadas por provas Lean, validação numérica e um avaliador independente; um exame mais amplo por pares do artigo arXiv está apenas começando.
A Anthropic também relata um padrão comportamental inicial digno de nota: nas experiências iniciais, Claude era conservador, verificando repetidamente resultados bem fundamentados e preferindo abordagens familiares. A equipe contra-atacou exigindo vários projetos qualitativamente diferentes em paralelo e ocasionalmente solicitando que o modelo ampliasse sua pesquisa – o mesmo cuidado, observa o post, que motivou as provas Lean em primeiro lugar.
A perspectiva declarada pela empresa é que a IA poderia eventualmente otimizar em conjunto todos os componentes de um computador quântico com correção de erros, desde o algoritmo até o hardware, para um problema específico. Se os resultados se mantiverem, o artigo poderá ser lembrado menos por um circuito único do que pela demonstração de que um modelo de linguagem pode funcionar em uma das disciplinas de design mais exigentes da computação.
Fique à frente da IA
A computação quântica, os modelos de fronteira e os avanços da pesquisa entre eles avançam rapidamente. Leia mais notícias sobre IA no AI Buzz Wire.
Leia mais notícias sobre IA →
