Anthropic 表示，其 Claude Mythos 5 模型设计的量子电路在八个计算任务中的七个上比之前发布的最佳设计有所改进，在某些情况下提高了一个数量级或更多。这一说法发表在周五发表的一篇研究文章和 10 月 15 日提交给 arXiv 的一篇 46 页论文中，这是该实验室迄今为止最具体的证明，即大型语言模型可以产生原创的科学设计，而不是总结现有的知识。

这项工作由 Andi Gu 通过 Anthropic 的 STEM 研究员计划领导，在 Anthropic 量子物理学家 Alek Kemeny 的指导下，并与哈佛大学物理学家 Susanne Yelin 和 Mikhail Lukin 合作，后者也是量子计算公司 QuEra 的创始人。据 Unite.AI 称，这篇题为“利用大型语言模型发现最先进的量子电路”的论文长达 46 页，包含 10 张图和 6 个表格。Unite.AI 是最早与 The Quantum Insider 和 Interesting Engineering 一起详细报告结果的媒体之一。

这八项任务是计算原语——构建更大的量子算法的基本例程——涵盖化学、优化、量子模拟、数论和数值计算。根据该论文的摘要，在八项任务中的七项中，所发现的电路相对于现有技术显着减少了 Toffoli 门计数和量子位计数，而第八项任务则产生了一种用于素数域模逆的全新可逆架构。

如需持续报道 Anthropic 的研究成果以及将人工智能应用于科学的更广泛竞赛，请关注我们的 突发人工智能新闻 随着该领域的发展进行报道。

闭环如何工作

设计过程是一个进化循环，其中语言模型提出电路并由独立评估者检查它们。量子电路可以编写为普通代码，因此 Claude Mythos 5 以 Python 程序的形式提交设计，从评估者那里收到正确性反馈和分数，并进行修改——各轮之间无需人工输入。

分数故意很简单：量子位的数量乘以门的数量。该产品可以作为电路在未来量子计算机上运行所需时间的代理，并且为模型提供了一个可以推倒的客观目标。

量子电路还施加了普通软件所没有的约束。电路不能根据 if-then 决策进行分支，因为它同时执行多个输入的叠加，并且每次运行时都必须包含每个路径的操作。它也不能丢弃信息，因为每个步骤都必须是可逆的——中间结果必须被存储或通过反向运行产生它们的计算来“不计算”，代价是额外的门。这些限制迫使量子比特数和运行时间之间进行权衡，这正是克劳德设计重塑的权衡。

53 小时的运行产生了新的模块化反演算法

第一个详细的发现涉及点加法，这是椭圆曲线离散对数问题的量子算法的核心运算，也是该领域的标准基准之一。它的大部分成本都集中在一个步骤中——模求逆，即椭圆曲线算术中使用的除法的环绕版本。

根据 Anthropic 的帖子，Claude 收到了一份单段简介，解释了数学规则以及评估者如何对每个设计进行评分，然后在极少人为干预的情况下工作了 53 个小时，最后得出了一种真正的新方法。经典计算机使用一种称为 divsteps 的方法有效地处理模块化反转，但该方法从未产生实用的量子电路，因为可逆性迫使电路记录每次迭代时选择的操作 - 并且存储分支历史需要大量额外的量子位。

克劳德的见解是，记录可能根本不需要存储：稍后可以通过检查每次迭代生成的数字对来解码分支信息。该帖子指出，早期的解码规则适用于小型测试用例，但无法处理完整的 256 位问题大小。然后，该模型证明了一系列关于迭代的新代数恒等式，导出了精确的解码公式，在大规模数值模拟中对其进行了验证，并在精益证明助手中形式化了该主张。

Anthropic 表示，其结果是第一个没有存储分支历史记录的 divsteps 可逆实现。由于解码可以节省量子位，但会消耗运行时间，因此克劳德在两者之间的前沿设计了一系列设计。该系列中的一个电路比之前最小的设计多使用了 12% 的量子位，但门数却少了 17 倍；这篇文章将之前发布的最佳设计命名为 Schrottenloher (2026) 和 Luo 等人。 （2026）。

便宜 12 倍的量子优化解码器

第二个发现的目标是解码量子干涉测量法（DQI），文章中将其描述为已知最强的超多项式量子加速候选之一。该算法最昂贵的步骤是纠错解码器，文章中引用的谷歌量子人工智能研究人员的估计表明，最优多项式交集问题的特定实例在 Frontier 超级计算机上需要大约三个月的时间，而在未来的量子计算机上大约需要一个小时——其中大部分时间都花在里德-所罗门解码上。

以前最先进的解码器电路是基于扩展欧几里得算法构建的，其步数取决于输入，迫使量子电路在最坏的情况下扩展计算并在每一轮中运行每个操作。相反，克劳德围绕伯勒坎普-梅西解码组织了电路，每轮都执行相同的工作。使其可逆会产生一个内存问题，该模型通过统计方法解决了这个问题：它编写了一个高速模拟器并运行 4.03 亿个样本解码来测量异常值发生的频率。几乎每次运行都需要最多保存一个值，因此电路保留 19 个量子位，而不是最坏情况设计所需的 665 个量子位，大约万分之一的运行会失败 - 该帖子称这一比率完全在任务的错误预算之内。通过方法、架构和资源预算级别的更改，优化将解码器的门数相对于 Google 之前的构造减少了 12 倍。

为什么它很重要——以及它没有证明什么

为了说明其中的利害关系，Anthropic 的帖子回顾了 FeMoco 的历史，FeMoco 是固氮酶核心的铁硫簇，细菌用来将氮转化为氨的酶。 2017 年，研究人员估计计算 FeMoco 的基态能量将需要大约 50 万亿个 Toffoli 门；八年来的一系列算法进步使估计值达到约 3.4 亿，减少了 15 万倍，相当于在具有约 300 万个物理量子位的未来机器上进行几个小时的计算。该公司的对比很直白：150,000 倍的改进花费了许多研究小组八年的时间，而椭圆曲线结果则来自单次 53 小时的运行。

警告同样明确。今天的量子计算机只有数百到数千个量子位，并且这些量子位对噪声高度敏感，因此这些是针对未来硬件的设计，而不是在工作机器上的演示。结果是 Anthropic 自己的主张，尽管有精益证明、数值验证和独立评估员的支持；对 arXiv 论文更广泛的同行审查才刚刚开始。

Anthropic 还报告了一个值得注意的早期行为模式：在最初的实验中，克劳德是保守的，反复对得到充分支持的结果进行双重和三重检查，并且更喜欢熟悉的方法。该团队通过并行要求几个质量不同的设计来应对这一点，并偶尔促使模型扩大其搜索范围——帖子指出，同样的谨慎，首先促使了精益证明。

该公司宣称的前景是，人工智能最终可以针对特定问题联合优化纠错量子计算机的每个组件，从算法到硬件。如果结果成立，这篇论文可能不会因为任何单个电路而被记住，而是因为它证明了语言模型可以在计算最苛刻的设计学科之一中保持自己的地位。

保持人工智能领先地位

量子计算、前沿模型以及它们之间的研究突破进展迅速。 阅读更多 AI 新闻 AI Buzz Wire。

阅读更多人工智能新闻 →