Anthropic säger Claude Mythos 5 designade kvantkretsar som slår de bästa publicerade designerna

Anthropic säger att dess Claude Mythos 5-modell har designat kvantkretsar som förbättrar de bästa tidigare publicerade designerna över sju av åtta beräkningsuppgifter, i vissa fall med en storleksordning eller mer. Påståendet, som anges i ett forskningsinlägg som publicerades i fredags och ett 46-sidigt dokument som lämnades in till arXiv den 15 oktober, är labbets mest konkreta demonstration hittills att stora språkmodeller kan producera original vetenskaplig design snarare än att sammanfatta befintlig kunskap.

Arbetet leddes av Andi Gu genom Anthropics STEM Fellows Program, med mentorskap från den antropiske kvantfysikern Alek Kemeny och i samarbete med Harvard-fysikerna Susanne Yelin och Mikhail Lukin, som också är grundare av kvantdatorföretaget QuEra. Tidningen, med titeln "Discovering state-of-the-art quantum circuits with large language models", omfattar 46 sidor med 10 figurer och sex tabeller, enligt Unite.AI, som var bland de första butikerna som rapporterade resultaten i detalj tillsammans med The Quantum Insider och Interesting Engineering.

De åtta uppgifterna är beräkningsprimitiver - de grundläggande rutinerna från vilka större kvantalgoritmer byggs - som spänner över kemi, optimering, kvantsimulering, talteori och numerisk beräkning. Enligt tidningens sammanfattning minskar de upptäckta kretsarna i sju av de åtta uppgifterna avsevärt både Toffoli-grind- och qubit-antal i förhållande till teknikens ståndpunkt, medan den åttonde gav en helt ny reversibel arkitektur för modulär prime-field-inversion.

För fortsatt bevakning av Anthropics forskningsresultat och det bredare loppet att tillämpa AI på vetenskap, följ vår brytande AI-nyheter när fältet utvecklas.

Hur den slutna slingan fungerar

Designprocessen är en evolutionär loop där språkmodellen föreslår kretsar och en oberoende utvärderare kontrollerar dem. Kvantkretsar kan skrivas som vanlig kod, så Claude Mythos 5 skickade in design som Python-program, fick korrekthetsfeedback och en poäng från utvärderaren och reviderade — utan mänsklig input mellan omgångarna.

Poängen är medvetet enkel: antalet qubits multiplicerat med antalet grindar. Den produkten fungerar som en proxy för hur lång tid en krets skulle ta att köra på en framtida kvantdator, och den ger modellen ett objektivt mål att trycka ner.

Kvantkretsar sätter också begränsningar som vanlig programvara inte gör. En krets kan inte förgrena sig på om-då-beslut, eftersom den exekverar på en överlagring av många ingångar samtidigt och måste innehålla operationerna för varje väg varje gång den körs. Den kan inte förkasta information heller, eftersom varje steg måste vara reversibelt - mellanliggande resultat måste lagras eller "oberäknas" genom att köra beräkningen som producerade dem omvänt, till en kostnad i ytterligare grindar. Dessa begränsningar tvingar fram en avvägning mellan qubit-antal och körtid, vilket är precis den kompromiss som Claudes design omformade.

En 53-timmars körning producerar en ny modulär inversionsalgoritm

Den första detaljerade upptäckten gäller punkttillägg, kärnoperationen i kvantalgoritmer för problemet med diskret logaritm med elliptisk kurva och ett av fältets standardriktmärken. Det mesta av kostnaden ligger i ett enda steg - modulär inversion, den omslutande versionen av division som används i elliptisk kurvaritmetik.

Enligt Anthropics inlägg fick Claude en kortfattad ett stycke som förklarade den matematiska regeln och hur utvärderaren skulle betygsätta varje design, och arbetade sedan i 53 timmar med minimal mänsklig inblandning innan han kom fram till ett genuint nytt tillvägagångssätt. Klassiska datorer hanterar modulär inversion effektivt med en metod som kallas divsteps, men den metoden hade aldrig gett en praktisk kvantkrets, eftersom reversibilitet tvingar kretsen att registrera vilken operation som valdes vid varje iteration - och att lagra den grenhistoriken kräver ett enormt antal ytterligare qubits.

Claudes insikt var att posten kanske inte behövde lagras alls: greninformationen kunde avkodas senare genom att inspektera nummerparet som produceras vid varje iteration. Tidiga avkodningsregler fungerade på små testfall men misslyckades vid hela 256-bitars problemstorleken, står det i inlägget. Modellen bevisade sedan en serie nya algebraiska identiteter om iterationen, härledde en exakt avkodningsformel, validerade den i storskaliga numeriska simuleringar och formaliserade påståendet i Lean proof-assistenten.

Resultatet, säger Anthropic, är den första reversibla implementeringen av divsteps utan lagrad filialhistorik. Eftersom avkodning sparar qubits men kostar körtid, producerade Claude en familj av mönster längs gränsen mellan de två. En krets i den familjen använder 12 % fler qubits men 17 gånger färre grindar än den minsta tidigare designen; inlägget namnger de bästa tidigare publicerade designerna som Schrottenloher (2026) och Luo et al. (2026).

En 12x billigare avkodare för kvantoptimering

Den andra upptäckten är inriktad på avkodad kvantinterferometri (DQI), som beskrivs i inlägget som en av de starkaste kända kandidaterna för en superpolynomisk kvanthastighet. Algoritmens dyraste steg är en felkorrigerande avkodare, och uppskattningar från Google Quantum AI-forskare som citeras i inlägget antyder att en viss instans av det optimala polynomkorsningsproblemet skulle ta ungefär tre månader på Frontier-superdatorn jämfört med ungefär en timme på en framtida kvantdator – med större delen av den timmen spenderad på Reed–Solomon-avkodning.

Den tidigare toppmoderna avkodarkretsen byggdes på den utökade euklidiska algoritmen, vars stegräkning beror på ingången, vilket tvingar en kvantkrets att sträcka ut beräkningen över det värsta fallet och köra varje operation i varje omgång. Claude organiserade istället sin krets kring Berlekamp–Massey-avkodning, som utför samma arbete varje omgång. Att göra det reversibelt skapade ett minnesproblem, som modellen löste statistiskt: den skrev en höghastighetssimulator och körde 403 miljoner provavkodningar för att mäta hur ofta exceptionella värden förekommer. Nästan varje körning behövdes för att spara högst ett värde, så kretsen reserverar 19 qubits istället för de 665 som en konstruktion i värsta fall skulle kräva, med ungefär en körning av 10 000 som misslyckades - en hastighet enligt inlägget ligger väl inom uppgiftens felbudget. Optimeringarna minskar avkodarens gate-antal med en faktor 12 i förhållande till Googles tidigare konstruktion, genom förändringar på metod-, arkitektur- och resursbudgetnivå.

Varför det spelar roll – och vad det inte bevisar

För att illustrera insatserna berättar Anthropics inlägg historien om FeMoco, järn-svavelklustret i hjärtat av nitrogenas, enzymet som bakterier använder för att omvandla kväve till ammoniak. Under 2017 uppskattade forskare att beräkning av FeMocos marktillståndsenergi skulle kräva ungefär 50 biljoner Toffoli-portar; en serie algoritmiska framsteg under åtta år förde uppskattningen till cirka 340 miljoner – en 150 000-faldig minskning som motsvarar några timmars beräkning på en framtida maskin med cirka tre miljoner fysiska qubits. Kontrasten som företaget drar är trubbig: den 150 000-faldiga förbättringen tog många forskargrupper åtta år, medan resultatet av den elliptiska kurvan kom från en enda 53-timmars körning.

Förbehållen är lika tydliga. Dagens kvantdatorer har bara hundratals till tusentals qubits, och dessa qubits är mycket känsliga för brus, så dessa är konstruktioner för framtida hårdvara snarare än demonstrationer på fungerande maskiner. Och resultaten är Anthropics egna påståenden, om än uppbackade av Lean-bevis, numerisk validering och en oberoende utvärderare; en bredare kollegial granskning av arXiv-tidningen har bara börjat.

Anthropic rapporterar också om ett tidigt beteendemönster som är värt att notera: i initiala experiment var Claude konservativ, dubbel- och trippelkollade upprepade gånger väl underbyggda resultat och föredrog välbekanta tillvägagångssätt. Teamet motverkade detta genom att kräva flera kvalitativt olika design parallellt och ibland uppmanade modellen att bredda sin sökning - samma försiktighet, noterar inlägget, som föranledde Lean-bevisen i första hand.

Företagets uttalade utsikter är att AI så småningom gemensamt skulle kunna optimera varje komponent i en felkorrigerad kvantdator, från algoritm ner till hårdvara, för ett specifikt problem. Om resultaten håller i sig kan uppsatsen komma ihåg mindre för någon enskild krets än för demonstrationen att en språkmodell kan hålla sig i en av datorernas mest krävande designdiscipliner.

Ligg före AI

Kvantberäkningar, frontiermodeller och forskningsgenombrotten mellan dem går snabbt. Läs fler AI-nyheter på AI Buzz Wire.

Läs mer AI-nyheter →