Anthropic каже, що Клод Мітос створив 5 квантових схем, які перевершили найкращі опубліковані проекти

Компанія Anthropic каже, що її модель Claude Mythos 5 розробила квантові схеми, які покращують найкращі раніше опубліковані розробки для семи з восьми обчислювальних завдань, у деяких випадках на порядок або більше. Твердження, викладене в дослідницькій публікації, опублікованій у п’ятницю, і 46-сторінковій статті, поданій в arXiv 15 жовтня, є найбільш конкретною демонстрацією лабораторії, що великі мовні моделі можуть створювати оригінальні наукові проекти, а не узагальнювати наявні знання.

Роботою керував Енді Гу через програму STEM Fellows від Anthropic за наставництва квантового фізика Anthropic Алека Кемені та у співпраці з фізиками з Гарварду Сюзанною Єліною та Михайлом Лукіним, який також є засновником компанії квантових обчислень QuEra. Стаття під назвою «Відкриття найсучасніших квантових схем із великими мовними моделями» складається з 46 сторінок із 10 малюнками та шістьма таблицями, повідомляє Unite.AI, який був одним із перших, хто детально оприлюднив результати разом із The Quantum Insider та Interesting Engineering.

Вісім завдань є обчислювальними примітивами — основними процедурами, з яких будуються великі квантові алгоритми — охоплюють хімію, оптимізацію, квантове моделювання, теорію чисел і числові обчислення. Згідно з анотацією до статті, у семи з восьми завдань виявлені схеми значно зменшують кількість затворів Тоффолі та кількість кубітів відносно сучасного рівня техніки, тоді як восьма дала абсолютно нову оборотну архітектуру для модульної інверсії основного поля.

Щоб продовжувати висвітлювати результати досліджень Anthropic і ширшу гонку за застосування ШІ в науці, слідкуйте за нашими найважливішими новинами про ШІ у міру розвитку галузі.

Як працює замкнутий цикл

Процес проектування — це еволюційний цикл, у якому мовна модель пропонує схеми, а незалежний оцінювач їх перевіряє. Квантові схеми можуть бути написані як звичайний код, тому Claude Mythos 5 подавав проекти як програми на Python, отримував відгуки про правильність і бали від оцінювача, а потім переглядав — без участі людини між раундами.

Оцінка навмисно проста: кількість кубітів, помножена на кількість воріт. Цей продукт служить проксі для того, скільки часу знадобиться для роботи схеми на майбутньому квантовому комп’ютері, і він дає моделі об’єктивну ціль, яку потрібно відкинути.

Квантові схеми також накладають обмеження, яких не має звичайне програмне забезпечення. Схема не може розгалужуватися за рішеннями «якщо-тоді», оскільки вона виконується на суперпозиції багатьох вхідних даних одночасно і повинна містити операції для кожного шляху щоразу, коли вона запускається. Він також не може відкинути інформацію, оскільки кожен крок має бути оборотним — проміжні результати мають бути збережені або «необчислені» шляхом виконання обчислень, які створили їх у зворотному порядку, за рахунок додаткових воріт. Ці обмеження вимагають компромісу між кількістю кубітів і часом виконання, що є саме тим компромісом, який змінив проект Клода.

53-годинний пробіжок створює новий модульний алгоритм інверсії

Перше детальне відкриття стосується додавання точок, основної операції в квантових алгоритмах для задачі дискретного логарифмування еліптичної кривої та одного зі стандартних тестів цієї галузі. Більша частина його вартості полягає в одному кроці — модульній інверсії, версії ділення, що використовується в арифметиці еліптичних кривих.

Згідно з дописом Anthropic, Клод отримав короткий опис із одного абзацу, в якому пояснював математичне правило та те, як оцінювач оцінюватиме кожен проект, а потім працював 53 години з мінімальним втручанням людини, перш ніж прийти до справді нового підходу. Класичні комп’ютери ефективно обробляють модульну інверсію за допомогою методу під назвою divsteps, але цей метод ніколи не дав практичну квантову схему, тому що оборотність змушує схему записувати, яка операція була обрана на кожній ітерації, а для зберігання цієї історії розгалужень потрібна величезна кількість додаткових кубітів.

Клод прийшов до висновку, що запис, можливо, взагалі не потрібно зберігати: інформацію про розгалуження можна декодувати пізніше, перевіряючи пару чисел, створених на кожній ітерації. Ранні правила декодування працювали на невеликих тестових прикладах, але не виконували повного 256-бітного розміру проблеми, йдеться в публікації. Потім модель довела серію нових алгебраїчних тотожностей щодо ітерації, вивела точну формулу декодування, підтвердила її під час великомасштабного чисельного моделювання та формалізувала твердження в Lean proof Assistant.

Результатом, за словами Anthropic, є перша оборотна реалізація divsteps без збереженої історії розгалужень. Оскільки декодування економить кубіти, але коштує часу виконання, Клод створив сімейство проектів уздовж межі між ними. Одна схема в цьому сімействі використовує на 12% більше кубітів, але в 17 разів менше затворів, ніж найменша попередня конструкція; у дописі названі найкращі раніше опубліковані дизайни як Schrottenloher (2026) і Luo et al. (2026).

У 12 разів дешевший декодер для квантової оптимізації

Друге відкриття спрямоване на розшифровану квантову інтерферометрію (DQI), описану в публікації як одного з найсильніших відомих кандидатів на суперполіноміальне квантове прискорення. Найдорожчим кроком алгоритму є декодер з виправленням помилок, і оцінки дослідників Google Quantum AI, цитовані в публікації, означають, що окремий екземпляр проблеми оптимального перетину поліномів займе близько трьох місяців на суперкомп’ютері Frontier проти приблизно години на майбутньому квантовому комп’ютері — причому більша частина цієї години витрачається на декодування Ріда–Соломона.

Попередня найсучасніша схема декодера була побудована на розширеному алгоритмі Евкліда, кількість кроків якого залежить від вхідних даних, змушуючи квантову схему розтягувати обчислення на найгірший випадок і виконувати кожну операцію в кожному раунді. Натомість Клод організував свою схему навколо декодування Берлекампа–Мессі, яке виконує однакову роботу кожного раунду. Зроблення цього оборотним створило проблему пам’яті, яку модель вирішила статистично: вона написала високошвидкісний симулятор і запустила 403 мільйони декодувань зразків, щоб визначити, як часто трапляються виняткові значення. Майже кожен запуск потребував збереження щонайбільше одного значення, тому схема резервує 19 кубітів замість 665, які вимагали б у найгіршому випадку, причому приблизно один запуск із 10 000 був невдалим — показник, за словами публікації, цілком у межах бюджету помилок завдання. Оптимізація зменшила кількість воріт декодера в 12 разів порівняно з попередньою конструкцією Google за рахунок змін на рівнях методу, архітектури та бюджету ресурсів.

Чому це важливо — і що це не доводить

Щоб проілюструвати ставки, публікація Anthropic розповідає історію FeMoco, залізо-сірчаного кластера в основі нітрогенази, ферменту, який бактерії використовують для перетворення азоту в аміак. У 2017 році дослідники підрахували, що для обчислення енергії основного стану FeMoco знадобиться приблизно 50 трильйонів гейтів Тоффолі; Серія алгоритмічних удосконалень протягом восьми років привела оцінку до приблизно 340 мільйонів — скорочення в 150 000 разів, що відповідає кільком годинам обчислень на майбутній машині з приблизно трьома мільйонами фізичних кубітів. Контраст, який робить компанія, є різким: це 150 000-кратне покращення зайняло багатьом дослідницьким групам вісім років, тоді як результат еліптичної кривої був отриманий за один 53-годинний цикл.

Застереження однаково зрозумілі. Сучасні квантові комп’ютери мають лише від сотень до тисяч кубітів, і ці кубіти дуже чутливі до шуму, тому це проекти майбутнього апаратного забезпечення, а не демонстрації на робочих машинах. І результати є власними претензіями Anthropic, хоча й підкріплені доказами Lean, чисельною перевіркою та незалежним оцінювачем; ширша експертна перевірка статті arXiv тільки починається.

Anthropic також повідомляє про ранню модель поведінки, яку варто відзначити: у початкових експериментах Клод був консервативним, неодноразово двічі та потрійно перевіряв добре підтверджені результати та віддавав перевагу знайомим підходам. Команда протистояла цьому, вимагаючи кількох якісно різних проектів паралельно та час від часу спонукаючи модель розширити свій пошук — та сама обережність, як зазначається в публікації, яка спонукала до доказів Lean.

Заявлений прогноз компанії полягає в тому, що штучний інтелект може врешті-решт спільно оптимізувати кожен компонент квантового комп’ютера з виправленням помилок, від алгоритму до апаратного забезпечення, для конкретної проблеми. Якщо результати витримають, стаття може запам’ятатися не для будь-якої окремої схеми, ніж для демонстрації того, що мовна модель може тримати себе в одній із найвимогливіших дисциплін проектування обчислювальної техніки.

Будьте попереду ШІ

Квантові обчислення, граничні моделі та дослідницькі прориви між ними розвиваються швидко. Читати більше новин AI на AI Buzz Wire.

Читати більше новин AI →