Anthropic Mengatakan Claude Mengungguli Desain Sirkuit Kuantum Terbaik yang Pernah Dipublikasikan

Dalam postingan riset yang diterbitkan pada 16 Oktober 2026, Anthropic melaporkan bahwa model Claude Mythos 5, yang bekerja dalam proses berulang tertutup bersama evaluator otomatis dan sebagian besar secara mandiri, merancang sirkuit kuantum yang mengungguli sirkuit terbaik yang telah dipublikasikan sebelumnya dalam delapan operasi dasar komputasi, dalam beberapa kasus hingga satu orde magnitudo atau lebih.

Operasi dasar tersebut—rangkaian dasar untuk membangun algoritma kuantum yang lebih besar—mencakup kimia, optimasi, simulasi kuantum, teori bilangan, dan komputasi numerik. Andi Gu memimpin penelitian ini sebagai bagian dari STEM Fellows Program Anthropic, dengan bimbingan Alek Kemeny, fisikawan kuantum di Anthropic, serta bekerja sama dengan Susanne Yelin dari Harvard University dan Mikhail Lukin dari Harvard University dan QuEra Computing.

Makalah pendamping, Menemukan sirkuit kuantum mutakhir dengan model bahasa besar, diajukan ke arXiv pada 15 Oktober 2026 oleh Gu, Kemeny, Yelin, dan Lukin. Makalah tersebut terdiri atas 46 halaman, 10 gambar, dan enam tabel. Abstraknya menjelaskan kerangka evolusioner yang memungkinkan model bahasa besar mengusulkan desain sirkuit, lalu evaluator independen memverifikasi dan memberi skor pada desain tersebut. Abstrak itu menyatakan bahwa dalam tujuh dari delapan tugas, sirkuit yang ditemukan secara signifikan mengurangi jumlah gerbang Toffoli dan qubit dibandingkan dengan teknologi tercanggih saat ini, sementara tugas kedelapan menghasilkan arsitektur reversibel baru untuk inversi modular pada medan prima.

Tugas Perancangan dengan Proses Berulang Tertutup

Anthropic mengatakan Claude cocok untuk pekerjaan ini karena tiga alasan. Sirkuit kuantum dapat ditulis sebagai kode biasa, sehingga model dapat menulis, menjalankan, dan merevisi desain seperti program. Kelas algoritma yang ditargetkan dapat diuji kebenarannya secara efisien karena setiap masukan menghasilkan satu keluaran pasti yang dapat diperiksa oleh komputer konvensional. Selain itu, skor—jumlah qubit dikalikan jumlah gerbang—memberikan sasaran objektif yang menjadi tolok ukur perkiraan waktu yang diperlukan untuk menjalankan sirkuit. Dalam proses berulang tertutup tersebut, Claude Mythos 5 mengusulkan desain dalam Python, menerima umpan balik mengenai kebenaran dan skor dari program evaluator, lalu merevisinya tanpa masukan manusia di antara setiap putaran.

Postingan tersebut menjelaskan dua batasan yang membedakan sirkuit kuantum dari program biasa. Sirkuit tidak dapat membuat keputusan jika-maka karena berjalan dengan superposisi banyak masukan sekaligus dan harus menyertakan operasi untuk setiap jalur setiap kali dijalankan. Sirkuit juga tidak dapat membuang informasi karena setiap langkah harus reversibel; hasil antara harus disimpan atau “dihitung balik” dengan menjalankan secara terbalik komputasi yang menghasilkannya, dengan konsekuensi perlu menambahkan gerbang. Kedua batasan ini memaksa adanya kompromi antara jumlah qubit dan waktu eksekusi.

Sebagai gambaran tentang hasil yang dapat dicapai dengan merancang ulang sirkuit, postingan tersebut mengulas perkiraan biaya untuk menyimulasikan FeMoco, gugus besi-belerang di pusat nitrogenase, yaitu enzim yang digunakan bakteri untuk mengubah nitrogen dari udara menjadi amonia. Pada 2017, para peneliti memperkirakan bahwa penghitungan energi keadaan dasar FeMoco akan memerlukan sekitar 50 triliun gerbang Toffoli. Gerbang Toffoli termasuk jenis gerbang yang paling mahal untuk dijalankan sehingga lazim digunakan untuk memperkirakan lamanya komputasi kuantum.

Serangkaian kemajuan algoritmik menurunkan perkiraan untuk model 54 orbital yang sama menjadi sekitar 340 juta, atau berkurang kira-kira 150.000 kali lipat. Menurut postingan tersebut, angka ini setara dengan komputasi selama beberapa jam pada mesin masa depan yang memiliki sekitar tiga juta qubit fisik. Komputer kuantum saat ini hanya memiliki ratusan hingga ribuan qubit, dan qubit-qubit tersebut sangat peka terhadap derau lingkungan.

Algoritma Inversi Modular Reversibel

Penemuan pertama yang diuraikan dalam postingan tersebut berkaitan dengan penjumlahan titik, yaitu aturan untuk menggabungkan dua titik pada kurva eliptik guna menghasilkan titik ketiga. Penjumlahan titik merupakan langkah inti dalam algoritma kuantum untuk masalah logaritma diskret kurva eliptik dan salah satu tolok ukur standar di bidang ini. Sebagian besar biayanya berasal dari satu langkah, yaitu inversi modular, versi pembagian dengan operasi melingkar yang digunakan dalam aritmetika kurva eliptik. Anthropic melaporkan bahwa Claude menerima penjelasan satu paragraf tentang aturan matematis tersebut serta cara evaluator memeriksa dan memberi skor pada setiap desain. Setelah bekerja selama 53 jam dengan masukan manusia yang sangat minim—hanya penjelasan itu dan sesekali dorongan untuk berpikir lebih luas—Claude akhirnya menemukan pendekatan yang benar-benar baru.

Komputer klasik melakukan inversi modular secara efisien dengan metode bernama divsteps, tetapi metode tersebut belum menghasilkan sirkuit kuantum yang praktis. Reversibilitas mengharuskan sirkuit menyimpan catatan tentang operasi yang dipilih pada setiap iterasi, yang disebut informasi cabang. Menyimpan riwayat tersebut membutuhkan qubit tambahan dalam jumlah sangat besar. Claude berpendapat bahwa catatan itu mungkin tidak perlu disimpan sama sekali karena informasi cabang dapat diuraikan dengan memeriksa pasangan angka setelah setiap iterasi.

Aturan penguraian awal berhasil untuk kasus uji kecil, tetapi gagal pada ukuran masalah penuh 256 bit. Claude kemudian membuktikan serangkaian hasil tentang iterasi tersebut, termasuk beberapa identitas aljabar baru, menurunkan rumus penguraian yang tepat, mengujinya dalam simulasi numerik berskala besar, dan memformalkan klaimnya dalam Lean. Setelah validasi selesai, Claude menghasilkan apa yang disebut Anthropic sebagai implementasi reversibel divsteps pertama yang tidak menyimpan riwayat cabang.

Karena dekode menghemat qubit tetapi membutuhkan waktu, Claude mengubah-ubah ambang batas ketika rangkaian menyimpan informasi cabang alih-alih mendekodenya, sehingga menghasilkan serangkaian desain di antara kedua ekstrem tersebut. Salah satu rangkaian dalam seri ini menggunakan qubit 12% lebih banyak, tetapi gerbangnya 17 kali lebih sedikit daripada desain terdahulu yang paling kecil. Unggahan tersebut menyatakan bahwa desain-desain baru ini memperluas frontier Pareto dari kombinasi jumlah qubit dan waktu eksekusi. Desain terbaik yang sebelumnya telah dipublikasikan dan dicantumkan sebagai pembanding adalah Schrottenloher (2026) dan Luo et al. (2026).

Dekoder untuk Optimasi Kuantum 12 Kali Lebih Murah

Temuan kedua berkaitan dengan interferometri kuantum terdekode (decoded quantum interferometry/DQI), yang disebut dalam unggahan tersebut sebagai salah satu kandidat terkuat untuk percepatan kuantum superpolinomial. Langkah paling mahal dalam algoritme ini adalah dekoder koreksi kesalahan, dan para peneliti yang memperkenalkan DQI mendemonstrasikannya pada masalah persilangan polinomial optimal (optimal polynomial intersection/OPI), versi pencocokan kurva berbasis kisi, dengan menggunakan dekoder Reed–Solomon. Perkiraan para peneliti Google Quantum AI yang dikutip dalam unggahan tersebut menunjukkan bahwa penyelesaian satu masalah OPI tertentu akan memakan waktu sekitar tiga bulan di superkomputer Frontier, dibandingkan dengan kira-kira satu jam di komputer kuantum masa depan yang menjalankan DQI; sebagian besar dari satu jam itu akan digunakan untuk dekode Reed–Solomon.

Rangkaian tercanggih sebelumnya memproses sindrom, yaitu ringkasan kesalahan yang ringkas, menggunakan algoritme Euclid diperluas, yang jumlah dan urutan langkahnya bergantung pada masukan. Karena rangkaian kuantum menangani banyak masukan dengan satu urutan gerbang tetap, desain tersebut harus membentangkan komputasi ke lebih banyak putaran daripada yang dibutuhkan oleh masukan mana pun secara individual, serta menjalankan setiap operasi pada setiap putaran. Sebaliknya, Claude merancang rangkaiannya berdasarkan dekode Berlekamp–Massey, yang melakukan jenis langkah yang sama pada setiap putaran dan selalu menjalankan jumlah putaran yang sama.

Membuat metode itu reversibel menimbulkan masalah penyimpanan: nilai sementara yang dihitung pada setiap putaran harus dapat dipulihkan agar bisa dihapus melalui komputasi terbalik nantinya. Menyediakan memori untuk kasus terburuk—nilai khusus yang muncul pada 35 putaran berbeda—akan membutuhkan 665 qubit. Claude menulis simulator berkecepatan tinggi dan menjalankan 403 juta dekode sampel untuk mengukur seberapa sering pengecualian semacam itu terjadi; hampir semua proses hanya perlu menyimpan paling banyak satu nilai, sehingga rangkaian tersebut menyediakan 19 qubit untuk menyimpan satu nilai.

Sekitar satu dari setiap 10.000 proses membutuhkan lebih dari itu dan gagal. Menurut unggahan tersebut, angka ini masih jauh di bawah tingkat kesalahan yang diizinkan untuk tugas tersebut. Unggahan itu melaporkan bahwa secara keseluruhan, optimasi tersebut mengurangi jumlah gerbang dekoder sebanyak 12 kali dibandingkan konstruksi Google sebelumnya, melalui perubahan pada tiga tingkat: metode, arsitektur rangkaian, dan anggaran sumber daya.

Keterbatasan dan Prospek yang Disampaikan

Anthropic melaporkan bahwa dalam eksperimen awal, Claude bersikap konservatif: berulang kali meragukan peningkatan yang tampak, memeriksa ulang hasil yang didukung bukti kuat hingga dua atau tiga kali, dan lebih memilih pendekatan yang sudah ada serta dikenal luas. Menurut unggahan tersebut, sikap hati-hati itu terkadang bermanfaat dan mendorong pembuktian di Lean yang memverifikasi desain divsteps. Tim mengambil dua langkah mitigasi: meminta Claude mengusulkan beberapa pendekatan yang berbeda secara kualitatif dan dikembangkan secara paralel, serta sesekali mendorongnya untuk memperluas pencariannya.

Unggahan tersebut membandingkan pengurangan FeMoco sebesar 150.000 kali—yang, menurutnya, membutuhkan waktu delapan tahun bagi banyak kelompok peneliti—dengan satu proses selama 53 jam yang menghasilkan desain kurva eliptik. Anthropic menyatakan bahwa hasil ini menunjukkan AI dapat mendukung pekerjaan merancang rangkaian, serta mengemukakan kemungkinan bahwa AI dapat mengoptimalkan secara bersama komponen-komponen komputer kuantum yang dikoreksi kesalahannya, mulai dari algoritme hingga perangkat keras, untuk masalah tertentu. Unggahan tersebut menyampaikan terima kasih kepada Arjun Kar dan Vinay Ramasesh atas diskusi yang bermanfaat pada tahap awal proyek.