Anthropic afirma que Claude superó los mejores diseños publicados de circuitos cuánticos

En una publicación de investigación publicada el 16 de octubre de 2026, Anthropic informó de que su modelo Claude Mythos 5, trabajando en un ciclo cerrado con un evaluador automatizado y en gran medida por su cuenta, diseñó circuitos cuánticos que mejoran los mejores circuitos publicados hasta entonces en ocho primitivas computacionales, en algunos casos por un orden de magnitud o más.

Las primitivas, rutinas básicas a partir de las cuales se construyen algoritmos cuánticos más complejos, abarcan la química, la optimización, la simulación cuántica, la teoría de números y la computación numérica. Andi Gu dirigió el trabajo como parte del Programa de Becarios STEM de Anthropic, con la mentoría de Alek Kemeny, físico cuántico de Anthropic, y en colaboración con Susanne Yelin, de la Universidad de Harvard, y Mikhail Lukin, de la Universidad de Harvard y QuEra Computing.

Un artículo complementario, Descubrimiento de circuitos cuánticos de última generación con modelos de lenguaje grandes, fue enviado a arXiv el 15 de octubre de 2026 por Gu, Kemeny, Yelin y Lukin; tiene 46 páginas, 10 figuras y seis tablas. El resumen describe un marco evolutivo en el que los modelos de lenguaje grandes proponen diseños de circuitos y un evaluador independiente los verifica y puntúa. Afirma que, en siete de las ocho tareas, los circuitos descubiertos reducen significativamente tanto el número de puertas Toffoli como el de cúbits en comparación con el estado de la técnica, y que la octava tarea dio lugar a una nueva arquitectura reversible para la inversión modular en campos primos.

Una tarea de diseño en ciclo cerrado

Anthropic afirmó que Claude era especialmente adecuado para este trabajo por tres motivos. Los circuitos cuánticos pueden escribirse como código ordinario, de modo que el modelo puede redactar, ejecutar y revisar diseños como si fueran programas. La clase de algoritmos en cuestión puede comprobarse eficientemente para verificar su corrección, porque cada entrada produce una única salida definida que un ordenador convencional puede verificar. Además, la puntuación —el número de cúbits multiplicado por el número de puertas— ofrece un objetivo cuantificable que sirve como indicador del tiempo que tardaría en ejecutarse un circuito. En ese ciclo cerrado, Claude Mythos 5 propuso diseños en Python, recibió del programa evaluador comentarios sobre su corrección y una puntuación, y los revisó sin intervención humana entre rondas.

La publicación describe dos limitaciones que distinguen los circuitos cuánticos de los programas ordinarios. Un circuito no puede tomar decisiones condicionales del tipo «si… entonces», porque opera simultáneamente sobre una superposición de muchas entradas y debe incluir las operaciones correspondientes a cada ruta cada vez que se ejecuta. Tampoco puede descartar información, ya que cada paso debe ser reversible; los resultados intermedios deben almacenarse o «descomputarse» ejecutando en sentido inverso el cálculo que los produjo, lo que requiere puertas adicionales. En conjunto, estas limitaciones obligan a llegar a un equilibrio entre el número de cúbits y el tiempo de ejecución.

Como ejemplo de lo que puede lograrse al rediseñar circuitos, la publicación repasa las estimaciones del costo de simular FeMoco, el grupo de hierro y azufre situado en el centro de la nitrogenasa, la enzima que utilizan las bacterias para convertir el nitrógeno del aire en amoníaco. En 2017, unos investigadores estimaron que calcular la energía del estado fundamental de FeMoco requeriría unos 50 billones de puertas Toffoli, uno de los tipos de puerta más costosos de ejecutar y, por tanto, una forma habitual de estimar cuánto tardará un cálculo cuántico.

Una serie de avances algorítmicos redujo la estimación para el mismo modelo de 54 orbitales a unos 340 millones de puertas, una reducción de aproximadamente 150.000 veces que, según la publicación, equivale a unas pocas horas de cálculo en una futura máquina con unos tres millones de cúbits físicos. Los ordenadores cuánticos actuales solo tienen de cientos a miles de cúbits, y estos son muy sensibles al ruido ambiental.

Un algoritmo reversible de inversión modular

El primer descubrimiento que detalla la publicación se refiere a la suma de puntos, la regla para combinar dos puntos de una curva elíptica y obtener un tercero. La suma de puntos es el paso fundamental de los algoritmos cuánticos para el problema del logaritmo discreto en curvas elípticas y uno de los parámetros de referencia habituales del campo; la mayor parte de su costo proviene de un único paso: la inversión modular, la versión con vuelta al inicio de la división que se utiliza en la aritmética de curvas elípticas. Según informó Anthropic, Claude recibió un resumen de un párrafo que explicaba la regla matemática y cómo el evaluador comprobaría y puntuaría cada diseño. Después trabajó durante 53 horas con una intervención humana mínima, limitada al resumen y a indicaciones ocasionales para que considerara ideas más amplias, hasta llegar a un enfoque completamente nuevo.

Los ordenadores clásicos realizan la inversión modular de forma eficiente mediante un método llamado divsteps, pero este no había permitido obtener un circuito cuántico práctico. La reversibilidad obliga al circuito a conservar un registro de la operación elegida en cada iteración, denominado información de rama, y almacenar ese historial requiere una cantidad enorme de cúbits adicionales. Claude razonó que quizá no fuera necesario almacenar el registro, porque la información de rama podía decodificarse examinando el par de números después de cada iteración.

Las primeras reglas de decodificación candidatas funcionaban con casos de prueba pequeños, pero fallaban con el tamaño completo del problema de 256 bits. A continuación, Claude demostró una serie de resultados sobre la iteración, incluidas varias identidades algebraicas nuevas; dedujo una fórmula de decodificación precisa, la comprobó mediante simulaciones numéricas a gran escala y formalizó la afirmación en Lean. Una vez completada la validación, produjo lo que Anthropic describió como la primera implementación reversible de divsteps sin almacenar el historial de ramas.

Como la decodificación ahorra cúbits, pero requiere tiempo, Claude varió el umbral a partir del cual el circuito almacena la información de las ramas en vez de decodificarla, y generó así una familia de diseños intermedios entre ambos extremos. Uno de los circuitos de la familia utiliza un 12 % más de cúbits, pero 17 veces menos puertas que el diseño anterior más pequeño, y la publicación señala que los nuevos diseños amplían la frontera de Pareto de las combinaciones de cúbits y tiempo de ejecución. Los mejores diseños publicados anteriormente que se incluyen en la comparación son los de Schrottenloher (2026) y Luo et al. (2026).

Un decodificador para optimización cuántica 12 veces más barato

El segundo descubrimiento se refiere a la interferometría cuántica decodificada (DQI), que la publicación describe como una de las candidatas más prometedoras a lograr una aceleración cuántica superpolinómica. El paso más costoso del algoritmo es un decodificador de corrección de errores, y los investigadores que introdujeron la DQI la demostraron con el problema de intersección polinómica óptima (OPI), una versión del ajuste de curvas basada en una cuadrícula, utilizando un decodificador Reed–Solomon. Las estimaciones de investigadores de Google Quantum AI citadas en la publicación indican que resolver un problema OPI concreto llevaría unos tres meses en la supercomputadora Frontier, frente a aproximadamente una hora en una futura computadora cuántica que ejecutara DQI; además, la mayor parte de esa hora se dedicaría a la decodificación Reed–Solomon.

El circuito que hasta entonces marcaba el estado de la técnica procesaba síndromes —resúmenes compactos de errores— mediante el algoritmo de Euclides extendido, en el que el número y el orden de los pasos dependen de la entrada. Como un circuito cuántico procesa muchas entradas con una única secuencia fija de puertas, ese diseño tenía que extender el cálculo a más rondas de las que necesitaría cualquier entrada individual y ejecutar todas las operaciones en cada ronda. En cambio, Claude organizó su circuito en torno a la decodificación de Berlekamp–Massey, que realiza el mismo tipo de paso en cada ronda y siempre ejecuta el mismo número de rondas.

Hacer reversible ese método planteó un problema de almacenamiento: los valores temporales calculados en cada ronda deben poder recuperarse para deshacer después los cálculos, y reservar memoria para el peor caso —un valor excepcional que aparece en 35 rondas distintas— requeriría 665 cúbits. Claude escribió un simulador de alta velocidad y ejecutó 403 millones de decodificaciones de muestra para medir con qué frecuencia se producen esas excepciones; casi todas las ejecuciones necesitaron guardar como máximo un valor, por lo que el circuito reserva 19 cúbits para almacenar un único valor.

Aproximadamente una ejecución de cada 10 000 necesita más que eso y falla, algo que, según la publicación, está muy por debajo de la tasa de error permitida para la tarea. La publicación indica que, en conjunto, las optimizaciones redujeron en un factor de 12 el número de puertas del decodificador respecto de la construcción anterior de Google, mediante cambios en tres niveles: el método, la arquitectura del circuito y el presupuesto de recursos.

Limitaciones y perspectivas declaradas

Anthropic informó que, en los primeros experimentos, Claude se mostró conservador: cuestionaba repetidamente las mejoras aparentes, verificaba una y otra vez los resultados bien fundamentados y prefería los enfoques existentes y conocidos. Según señala la publicación, esa cautela resultó útil en ocasiones y propició las demostraciones formales en Lean que verificaron el diseño de divsteps. El equipo aplicó dos medidas para contrarrestarla: exigir a Claude que propusiera en paralelo varios enfoques cualitativamente distintos y, de vez en cuando, pedirle que ampliara su búsqueda.

La publicación contrapone la reducción de FeMoco por un factor de 150 000, que, según afirma, llevó ocho años a muchos grupos de investigación, con la única ejecución de 53 horas que dio lugar al diseño de curva elíptica. Anthropic afirmó que los resultados sugieren que la IA puede contribuir al diseño de circuitos y planteó la posibilidad de que la IA optimice conjuntamente los componentes de una computadora cuántica con corrección de errores —desde el algoritmo hasta el hardware— para un problema específico. La publicación agradece a Arjun Kar y Vinay Ramasesh sus valiosas conversaciones en las primeras etapas del proyecto.