Anthropic zufolge übertraf Claude die besten veröffentlichten Entwürfe für Quantenschaltungen

In einem am 16. Oktober 2026 veröffentlichten Forschungsbeitrag berichtete Anthropic, dass sein Modell Claude Mythos 5 in einer geschlossenen Schleife mit einem automatisierten Evaluator und weitgehend eigenständig Quantenschaltungen entwarf, die die besten zuvor veröffentlichten Schaltungen für acht elementare Rechenoperationen übertreffen – in einigen Fällen um eine Größenordnung oder mehr.

Die elementaren Rechenoperationen, also grundlegende Routinen, aus denen größere Quantenalgorithmen aufgebaut werden, decken Chemie, Optimierung, Quantensimulation, Zahlentheorie und numerisches Rechnen ab. Andi Gu leitete die Arbeit im Rahmen von Anthropics STEM Fellows Program. Betreut wurde er von Alek Kemeny, einem Quantenphysiker bei Anthropic, und die Arbeit entstand in Zusammenarbeit mit Susanne Yelin of Harvard University and Mikhail Lukin of Harvard University and QuEra Computing.

Eine begleitende Arbeit mit dem Titel Entdeckung hochmoderner Quantenschaltungen mit großen Sprachmodellen wurde am 15. Oktober 2026 von Gu, Kemeny, Yelin und Lukin bei arXiv eingereicht. Sie umfasst 46 Seiten mit 10 Abbildungen und sechs Tabellen. Das Abstract beschreibt einen evolutionären Ansatz, bei dem große Sprachmodelle Schaltungsentwürfe vorschlagen und ein unabhängiger Evaluator diese überprüft und bewertet. Demnach verringern die entdeckten Schaltungen bei sieben der acht Aufgaben sowohl die Anzahl der Toffoli-Gatter als auch die Qubit-Anzahl deutlich gegenüber dem Stand der Technik; bei der achten Aufgabe entstand eine neue reversible Architektur für die modulare Inversion über einem Primkörper.

Eine Entwurfsaufgabe mit geschlossenem Rückkopplungskreislauf

Anthropic zufolge eignete sich Claude aus drei Gründen besonders gut für diese Aufgabe. Quantenschaltungen lassen sich als gewöhnlicher Code schreiben, sodass das Modell Entwürfe als Programme verfassen, ausführen und überarbeiten kann. Die betreffende Algorithmusklasse lässt sich effizient auf Korrektheit prüfen, da jede Eingabe genau eine eindeutige Ausgabe liefert, die ein herkömmlicher Computer überprüfen kann. Die Bewertung – das Produkt aus der Anzahl der Qubits und der Anzahl der Gatter – liefert ein objektives Ziel und dient als Näherungswert dafür, wie lange die Ausführung einer Schaltung dauern würde. In diesem geschlossenen Rückkopplungskreislauf schlug Claude Mythos 5 Entwürfe in Python vor, erhielt vom Evaluatorprogramm Rückmeldungen zur Korrektheit und eine Bewertung und überarbeitete die Entwürfe, ohne dass zwischen den Runden ein Mensch eingriff.

Der Beitrag beschreibt zwei Einschränkungen, durch die sich Quantenschaltungen von gewöhnlichen Programmen unterscheiden. Eine Schaltung kann keine Wenn-dann-Entscheidungen treffen, denn sie verarbeitet gleichzeitig eine Superposition vieler Eingaben und muss bei jeder Ausführung die Operationen für jeden möglichen Pfad enthalten. Außerdem kann sie keine Informationen verwerfen, da jeder Schritt reversibel sein muss. Zwischenergebnisse müssen daher entweder gespeichert oder durch die umgekehrte Ausführung der Berechnung, bei der sie entstanden sind, „zurückgerechnet“ werden – letzteres erfordert zusätzliche Gatter. Zusammengenommen erzwingen diese Einschränkungen einen Zielkonflikt zwischen Qubit-Anzahl und Laufzeit.

Als Beispiel dafür, was eine Neugestaltung von Schaltungen bewirken kann, nennt der Beitrag Kostenschätzungen für die Simulation von FeMoco, dem Eisen-Schwefel-Cluster im Zentrum der Nitrogenase. Dieses Enzym nutzen Bakterien, um Stickstoff aus der Luft in Ammoniak umzuwandeln. 2017 schätzten Forschende, dass die Berechnung der Grundzustandsenergie von FeMoco etwa 50 Billionen Toffoli-Gatter erfordern würde. Toffoli-Gatter gehören zu den aufwendigsten Gattertypen und dienen daher als gängige Grundlage für die Schätzung der Dauer einer Quantenberechnung.

Eine Reihe algorithmischer Fortschritte senkte die Schätzung für dasselbe Modell mit 54 Orbitalen auf etwa 340 Millionen – eine Verringerung um ungefähr den Faktor 150.000. Laut dem Beitrag entspricht das einigen Stunden Rechenzeit auf einer künftigen Maschine mit etwa drei Millionen physikalischen Qubits. Heutige Quantencomputer verfügen nur über Hunderte bis Tausende Qubits, die zudem äußerst empfindlich auf Umgebungsrauschen reagieren.

Ein reversibler Algorithmus zur modularen Inversion

Die erste im Beitrag ausführlich beschriebene Entdeckung betrifft die Punktaddition: Dabei werden zwei Punkte auf einer elliptischen Kurve nach einer bestimmten Regel zu einem dritten kombiniert. Die Punktaddition ist der zentrale Schritt in Quantenalgorithmen für das diskrete Logarithmusproblem auf elliptischen Kurven und zählt zu den etablierten Standardtests des Fachgebiets. Der größte Teil des Rechenaufwands entfällt auf einen einzigen Schritt: die modulare Inversion, also eine Variante der Division mit Überlauf, wie sie in der Arithmetik elliptischer Kurven verwendet wird. Anthropic zufolge erhielt Claude eine ein Absatz lange Erläuterung der mathematischen Regel sowie der Art und Weise, wie der Evaluator jeden Entwurf überprüfen und bewerten würde. Anschließend arbeitete das Modell 53 Stunden lang mit minimaler menschlicher Beteiligung – beschränkt auf diese Erläuterung und gelegentliche Aufforderungen, breiter zu denken –, bevor es einen völlig neuen Ansatz entwickelte.

Klassische Computer führen die modulare Inversion effizient mit einem Verfahren namens Divsteps aus, doch mit diesem Verfahren ließ sich bislang keine praktikable Quantenschaltung realisieren. Aufgrund der Reversibilität muss die Schaltung festhalten, welche Operation bei jeder Iteration ausgewählt wurde. Diese Aufzeichnung wird als Verzweigungsinformation bezeichnet; ihre Speicherung erfordert eine enorme Zahl zusätzlicher Qubits. Claude kam zu dem Schluss, dass diese Aufzeichnung möglicherweise gar nicht gespeichert werden muss, da sich die Verzweigungsinformation durch Untersuchung des Zahlenpaars nach jeder Iteration entschlüsseln ließe.

Frühe Kandidaten für Entschlüsselungsregeln funktionierten bei kleinen Testfällen, versagten jedoch bei der vollständigen Problemgröße von 256 Bit. Daraufhin bewies Claude eine Reihe von Ergebnissen zum Iterationsverfahren, darunter mehrere neue algebraische Identitäten, leitete eine präzise Entschlüsselungsformel her, überprüfte sie in numerischen Simulationen im großen Maßstab und formalisierte die Behauptung in Lean. Nach Abschluss der Validierung entwickelte Claude nach Angaben von Anthropic die erste reversible Implementierung von Divsteps, die keine gespeicherte Verzweigungshistorie benötigt.

Da das Dekodieren Qubits spart, aber Zeit kostet, variierte Claude den Schwellenwert, ab dem die Schaltung die Zweiginformation speichert, statt sie zu dekodieren. So entstand eine Reihe von Designs zwischen den beiden Extremen. Eine Schaltung dieser Reihe benötigt 12 % mehr Qubits, aber 17-mal weniger Gatter als das kleinste bisherige Design. Dem Beitrag zufolge erweitern die neuen Designs die Pareto-Front der Kombinationen aus Qubit-Anzahl und Laufzeit. Als beste zuvor veröffentlichte Designs werden zum Vergleich Schrottenloher (2026) und Luo et al. (2026) aufgeführt.

Ein 12-mal kostengünstigerer Decoder für Quantenoptimierung

Die zweite Entdeckung betrifft die dekodierte Quanteninterferometrie (DQI), die der Beitrag als eine der aussichtsreichsten Möglichkeiten für einen überpolynomiellen Quantenvorteil beschreibt. Der rechenintensivste Schritt des Algorithmus ist ein Fehlerkorrekturdecoder. Die Forschenden, die DQI eingeführt haben, demonstrierten das Verfahren anhand des Problems der optimalen polynomialen Schnittmenge (OPI), einer gitterbasierten Variante der Kurvenanpassung, und verwendeten dafür einen Reed-Solomon-Decoder. Den im Beitrag angeführten Schätzungen von Forschenden bei Google Quantum AI zufolge würde die Lösung eines bestimmten OPI-Problems auf dem Supercomputer Frontier etwa drei Monate dauern, verglichen mit ungefähr einer Stunde auf einem künftigen Quantencomputer, auf dem DQI läuft. Der größte Teil dieser Stunde würde für das Reed-Solomon-Decodieren aufgewendet.

Die bisher führende Schaltung verarbeitete Syndrome, also kompakte Zusammenfassungen von Fehlern, mithilfe des erweiterten euklidischen Algorithmus, bei dem Anzahl und Reihenfolge der Schritte von der Eingabe abhängen. Da eine Quantenschaltung viele Eingaben mit einer einzigen festgelegten Gatterfolge verarbeitet, musste dieses Design die Berechnung über mehr Runden erstrecken, als jede einzelne Eingabe benötigt hätte, und in jeder Runde jede Operation ausführen. Claude richtete seine Schaltung stattdessen am Berlekamp-Massey-Decodieren aus, bei dem in jeder Runde derselbe Schritt ausgeführt wird und die Anzahl der Runden stets gleich bleibt.

Die Umkehrbarkeit dieses Verfahrens führte zu einem Speicherproblem: In jeder Runde berechnete temporäre Werte müssen wiederherstellbar sein, damit sie später rückgängig gemacht werden können. Würde man für den ungünstigsten Fall Speicher reservieren – einen Ausnahmefallwert, der in 35 verschiedenen Runden auftreten kann –, wären dafür 665 Qubits nötig. Claude schrieb einen Hochgeschwindigkeitssimulator und führte 403 Millionen Decodierungen an Stichproben durch, um zu ermitteln, wie oft solche Ausnahmen vorkommen. Bei nahezu jedem Durchlauf musste höchstens ein Wert gespeichert werden. Daher reserviert die Schaltung 19 Qubits für einen einzelnen gespeicherten Wert.

Etwa einer von 10.000 Durchläufen benötigt mehr Speicher und schlägt fehl. Dem Beitrag zufolge liegt dies deutlich innerhalb der für die Aufgabe zulässigen Fehlerrate. Wie der Beitrag berichtet, senkten die Optimierungen zusammengenommen die Anzahl der Gatter im Decoder gegenüber Googles vorheriger Konstruktion um den Faktor 12. Die Änderungen betrafen drei Ebenen: die Methode, die Schaltungsarchitektur und das Ressourcenbudget.

Einschränkungen und Ausblick laut Beitrag

Anthropic berichtete, dass Claude in frühen Experimenten zurückhaltend war: Es stellte scheinbare Verbesserungen wiederholt infrage, prüfte gut belegte Ergebnisse doppelt und dreifach und bevorzugte bestehende, weithin bekannte Ansätze. Diese Vorsicht war mitunter hilfreich, heißt es in dem Beitrag, und gab den Anstoß zu den Lean-Beweisen, mit denen das Divsteps-Design verifiziert wurde. Das Team ergriff zwei Gegenmaßnahmen: Claude sollte mehrere qualitativ unterschiedliche Ansätze vorschlagen, die parallel entwickelt wurden, und wurde gelegentlich dazu aufgefordert, seine Suche auszuweiten.

Der Beitrag stellt der Reduktion um den Faktor 150.000 bei FeMoco, für die viele Forschungsgruppen nach seinen Angaben acht Jahre benötigten, den einzelnen 53-stündigen Durchlauf gegenüber, der dem elliptischen-Kurven-Design zugrunde lag. Anthropic erklärte, die Ergebnisse deuteten darauf hin, dass KI die Arbeit am Schaltungsdesign unterstützen könne. Zudem brachte das Unternehmen die Möglichkeit ins Spiel, dass KI die Komponenten eines fehlerkorrigierten Quantencomputers für ein bestimmtes Problem gemeinsam optimieren könnte – vom Algorithmus bis hin zur Hardware. Der Beitrag dankt Arjun Kar und Vinay Ramasesh für hilfreiche Gespräche in der Anfangsphase des Projekts.