Anthropicin mukaan Claude päihitti parhaat julkaistut kvanttipiirisuunnitelmat

16. lokakuuta 2026 julkaistussa tutkimusartikkelissa Anthropic kertoi, että sen Claude Mythos 5 -malli suunnitteli automaattisen arvioijan kanssa suljetussa palautesilmukassa ja pitkälti itsenäisesti kvanttipiirejä, jotka ovat parempia kuin parhaat aiemmin julkaistut piirit kahdeksassa laskennan perusoperaatiossa. Joissakin tapauksissa parannus oli vähintään kertaluokan suuruinen.

Perusoperaatiot ovat rutiineja, joista laajemmat kvanttialgoritmit rakentuvat, ja ne kattavat kemian, optimoinnin, kvanttisimuloinnin, lukuteorian ja numeerisen laskennan. Työtä johti Andi Gu osana Anthropicin STEM Fellows Program -ohjelmaa. Häntä mentoroi Alek Kemeny, Anthropicin kvanttifyysikko, ja työtä tehtiin yhteistyössä Harvardin yliopiston Susanne Yelinin sekä Harvardin yliopiston ja QuEra Computingin Mikhail Lukinin kanssa.

Täydentävä tutkimusartikkeli Huipputason kvanttipiirien löytäminen suurilla kielimalleilla lähetettiin arXiviin 15. lokakuuta 2026. Sen kirjoittivat Gu, Kemeny, Yelin ja Lukin, ja se on 46 sivun pituinen sekä sisältää 10 kuviota ja kuusi taulukkoa. Tiivistelmässä kuvataan evolutiivinen viitekehys, jossa suuret kielimallit ehdottavat piirisuunnitelmia ja riippumaton arvioija tarkistaa ja pisteyttää ne. Artikkelin mukaan löydetyt piirit vähentävät merkittävästi sekä Toffoli-porttien että kubittien määrää nykyiseen huipputasoon verrattuna seitsemässä kahdeksasta tehtävästä. Kahdeksannessa tehtävässä saatiin aikaan uusi palautuva arkkitehtuuri alkulukukunnan modulaariseen inversioon.

Suunnittelutehtävä suljetussa palautesilmukassa

Anthropic kertoi, että Claude soveltui tehtävään hyvin kolmesta syystä. Kvanttipiirit voidaan kirjoittaa tavallisena koodina, joten malli voi kirjoittaa, suorittaa ja muokata suunnitelmia ohjelmina. Tähän tehtävään kuuluvien algoritmien oikeellisuus voidaan testata tehokkaasti, sillä jokaiselle syötteelle saadaan yksi yksikäsitteinen tulos, jonka tavallinen tietokone voi tarkistaa. Lisäksi pistemäärä eli kubittien määrän ja porttien määrän tulo tarjoaa objektiivisen tavoitteen ja toimii arviona siitä, kuinka kauan piirin suorittaminen kestäisi. Tässä suljetussa palautesilmukassa Claude Mythos 5 ehdotti suunnitelmia Pythonilla, sai arvioijaohjelmalta palautetta niiden oikeellisuudesta ja pistemäärän sekä muokkasi suunnitelmia. Kierrosten välillä ihminen ei osallistunut työhön.

Artikkelissa kuvataan kaksi rajoitetta, jotka erottavat kvanttipiirit tavallisista ohjelmista. Piiri ei voi tehdä jos–niin-tyyppisiä valintoja, koska se käsittelee useiden syötteiden superpositiota samanaikaisesti ja sen on sisällettävä jokaisen mahdollisen reitin operaatiot aina, kun se suoritetaan. Piiri ei myöskään voi hävittää tietoa, sillä jokaisen vaiheen on oltava palautuva. Välitulokset on tallennettava tai laskettava pois suorittamalla niiden tuottanut laskutoimitus käänteiseen suuntaan, mikä vaatii lisää portteja. Yhdessä nämä rajoitteet pakottavat tekemään kompromissin kubittien määrän ja suoritusajan välillä.

Esimerkkinä siitä, mitä piirien uudelleensuunnittelulla voidaan saavuttaa, artikkelissa kerrotaan FeMocon simuloinnin kustannusarvioista. FeMoco on typpientsyymin keskeinen rauta-rikkiklusteri; bakteerit käyttävät kyseistä entsyymiä muuntaakseen ilmasta saatavan typen ammoniakiksi. Vuonna 2017 tutkijat arvioivat, että FeMocon perustilan energian laskeminen vaatisi noin 50 biljoonaa Toffoli-porttia. Toffoli-portit ovat yksi laskennallisesti kalleimmista porttityypeistä, ja siksi niiden määrää käytetään yleisesti arviona siitä, kuinka kauan kvanttilaskenta kestää.

Useat algoritmiset edistysaskeleet pienensivät saman 54 orbitaalin mallin arviota noin 340 miljoonaan porttiin. Tämä tarkoittaa noin 150 000-kertaista vähennystä, jonka artikkelin mukaan ansiosta laskenta kestäisi tulevaisuuden koneella muutaman tunnin, jos koneessa olisi noin kolme miljoonaa fyysistä kubittia. Nykyisissä kvanttitietokoneissa on vain satoja tai tuhansia kubitteja, ja ne ovat erittäin herkkiä ympäristön kohinalle.

Käännettävä algoritmi modulaarisen käänteisluvun laskemiseen

Artikkelissa kuvattu ensimmäinen löytö koskee pisteiden yhteenlaskua eli sääntöä, jolla elliptisen käyrän kaksi pistettä yhdistetään kolmanneksi. Pisteiden yhteenlasku on keskeinen vaihe elliptisen käyrän diskreetin logaritmin ongelman kvanttialgoritmeissa ja yksi alan vakiotestikohteista. Suurin osa laskennan kustannuksista aiheutuu yhdestä vaiheesta: modulaarisesta inversiosta eli elliptisen käyrän aritmetiikassa käytettävästä jakolaskun kiertävästä vastineesta. Anthropic kertoi, että Claude sai yhden kappaleen mittaisen kuvauksen matemaattisesta säännöstä sekä siitä, miten arvioija tarkistaisi ja pisteyttäisi kunkin suunnitelman. Sen jälkeen Claude työskenteli 53 tuntia vähäisellä ihmisen osallistumisella. Ihmisen antama panos rajoittui kuvaukseen ja satunnaisiin kehotteisiin ajatella asiaa laajemmin. Lopulta Claude kehitti täysin uuden lähestymistavan.

Tavalliset tietokoneet laskevat modulaarisen inversion tehokkaasti divsteps-nimisellä menetelmällä, mutta menetelmästä ei ollut aiemmin saatu aikaan käytännöllistä kvanttipiiriä. Palautuvuus edellyttää, että piiri säilyttää tiedon siitä, mikä operaatio kullakin iteraatiokierroksella valittiin. Tätä kutsutaan haaratiedoksi, ja sen tallentaminen vaatii valtavan määrän ylimääräisiä kubitteja. Claude päätteli, ettei tietoa ehkä tarvitse tallentaa lainkaan, sillä haaravalinnan voisi selvittää tarkastelemalla lukuparia kunkin iteraation jälkeen.

Alustavat haaravalinnan selvittämiseen käytetyt säännöt toimivat pienissä testitapauksissa mutta epäonnistuivat, kun ongelman koko oli täydet 256 bittiä. Seuraavaksi Claude todisti useita iteraatioon liittyviä tuloksia, mukaan lukien useita uusia algebrallisia identiteettejä, johti tarkan kaavan haaravalinnan selvittämiseen, testasi sen laajoissa numeerisissa simulaatioissa ja muotoili väitteen Lean-kielellä. Kun validointi oli valmis, Claude tuotti Anthropicin mukaan ensimmäisen divsteps-menetelmän palautuvan toteutuksen, jossa haarahistoriaa ei tallenneta.

Koska dekoodaus säästää kubitteja mutta vie aikaa, Claude vaihteli kynnysarvoa, jonka kohdalla piiri tallentaa haaratiedot sen sijaan, että dekoodaisi ne. Näin syntyi joukko ratkaisuja näiden kahden ääripään väliltä. Yhdessä joukon piirissä on 12 % enemmän kubitteja mutta 17 kertaa vähemmän portteja kuin aiemmin julkaistussa pienimmässä piirissä, ja julkaisun mukaan uudet ratkaisut laajentavat kubittien määrän ja ajoajan välisten yhdistelmien Pareto-rintamaa. Vertailuun listatut parhaat aiemmin julkaistut ratkaisut ovat Schrottenloher (2026) ja Luo et al. (2026).

12 kertaa edullisempi dekooderi kvanttioptimointiin

Toinen löytö liittyy dekoodattuun kvantti-interferometriaan (DQI), jota julkaisussa kuvataan yhdeksi vahvimmista ehdokkaista superpolynomiseen kvanttinopeutukseen. Algoritmin laskennallisesti raskain vaihe on virheenkorjausdekooderi. DQI:n esitelleet tutkijat osoittivat sen toimivuuden optimaalisen polynomisen leikkauksen (OPI) ongelmassa, joka on käyränsovituksen ruudukkomuotoinen versio, käyttämällä Reed–Solomon-dekooderia. Julkaisussa siteerattujen Google Quantum AI -tutkijoiden arviot viittaavat siihen, että yhden tietyn OPI-ongelman ratkaiseminen kestäisi Frontier-supertietokoneella noin kolme kuukautta, kun taas tulevalta DQI:tä käyttävältä kvanttitietokoneelta se veisi noin tunnin. Tästä tunnista suurin osa kuluisi Reed–Solomon-dekoodaukseen.

Aiemmin huipputasoa edustanut piiri käsitteli syndroomia eli virheiden tiiviitä yhteenvetoja laajennetun Eukleideen algoritmin avulla. Siinä vaiheiden määrä ja järjestys riippuvat syötteestä. Koska kvanttipiiri käsittelee useita syötteitä yhdellä kiinteällä porttijonolla, kyseisessä ratkaisussa laskenta oli jaettava useampiin kierroksiin kuin yksikään yksittäinen syöte olisi vaatinut, ja jokainen operaatio oli suoritettava jokaisella kierroksella. Claude rakensi piirinsä sen sijaan Berlekamp–Massey-dekoodauksen pohjalta. Siinä suoritetaan jokaisella kierroksella samanlainen vaihe, ja kierroksia on aina sama määrä.

Menetelmän muuttaminen käänteiseksi aiheutti tallennusongelman: kullakin kierroksella lasketut väliaikaiset arvot on voitava palauttaa, jotta ne voidaan myöhemmin kumota. Jos muistia varattaisiin pahimman tapauksen mukaan, eli poikkeusarvolle, joka esiintyy 35 eri kierroksella, tarvittaisiin 665 kubittia. Claude kirjoitti nopean simulaattorin ja suoritti 403 miljoonaa dekoodauksen testiajoa selvittääkseen, kuinka usein tällaisia poikkeuksia esiintyy. Lähes kaikissa ajoissa tarvitsi tallentaa enintään yksi arvo, joten piiri varaa 19 kubittia yhden arvon tallentamiseen.

Noin yksi ajo 10 000:sta tarvitsee tätä enemmän ja epäonnistuu. Julkaisun mukaan tämä jää selvästi tehtävässä sallitun virhetason rajoihin. Julkaisussa kerrotaan, että optimoinnit yhdessä vähensivät dekooderin porttien määrän 12:een osaan Googlen aiemmasta toteutuksesta. Muutoksia tehtiin kolmella tasolla: menetelmässä, piirin arkkitehtuurissa ja resurssibudjetissa.

Rajoitukset ja esitetyt tulevaisuudennäkymät

Anthropicin mukaan Claude oli varhaisissa kokeissa varovainen: se epäili toistuvasti näennäisiä parannuksia, tarkisti hyvin perusteltuja tuloksia kahteen ja kolmeen kertaan sekä suosi olemassa olevia, tunnettuja menetelmiä. Julkaisussa todetaan, että varovaisuudesta oli toisinaan hyötyä ja että se johti Lean-todistuksiin, joilla divsteps-ratkaisun toimivuus varmennettiin. Tiimi käytti kahta keinoa tämän lieventämiseksi: se edellytti Clauden ehdottavan useita laadullisesti erilaisia, rinnakkain kehitettyjä lähestymistapoja ja kehotti sitä toisinaan laajentamaan hakuaan.

Julkaisussa verrataan 150 000-kertaista FeMoco-vähennystä, jonka toteuttamiseen monilta tutkimusryhmiltä kului julkaisun mukaan kahdeksan vuotta, yksittäiseen 53 tunnin ajoon, jonka tuloksena syntyi elliptisen käyrän ratkaisu. Anthropicin mukaan tulokset viittaavat siihen, että tekoäly voi tukea piirien suunnittelua. Yhtiö nosti esiin myös mahdollisuuden, että tekoäly voisi optimoida yhdessä virheenkorjatun kvanttitietokoneen eri osia algoritmista laitteistoon asti tiettyä ongelmaa varten. Julkaisussa kiitetään Arjun Karia ja Vinay Ramaseshia hyödyllisistä keskusteluista projektin alkuvaiheessa.