Anthropic afferma che Claude ha superato i migliori circuiti quantistici pubblicati

In un post di ricerca pubblicato il 16 ottobre 2026, Anthropic ha riferito che il suo modello Claude Mythos 5, operando in un ciclo chiuso con un valutatore automatico e in larga misura autonomamente, ha progettato circuiti quantistici migliori dei migliori circuiti pubblicati in precedenza per otto primitive computazionali, in alcuni casi di un ordine di grandezza o più.

Le primitive, le routine di base a partire dalle quali si costruiscono algoritmi quantistici più complessi, spaziano dalla chimica all’ottimizzazione, dalla simulazione quantistica alla teoria dei numeri e al calcolo numerico. Andi Gu ha guidato il lavoro nell’ambito dello STEM Fellows Program di Anthropic, con la supervisione di Alek Kemeny, fisico quantistico di Anthropic, e in collaborazione con Susanne Yelin dell’Università di Harvard e Mikhail Lukin dell’Università di Harvard e di QuEra Computing.

Un articolo correlato, Alla scoperta di circuiti quantistici all’avanguardia con modelli linguistici di grandi dimensioni, è stato presentato ad arXiv il 15 ottobre 2026 da Gu, Kemeny, Yelin e Lukin. È composto da 46 pagine, con 10 figure e sei tabelle. L’abstract descrive un metodo evolutivo in cui i modelli linguistici di grandi dimensioni propongono circuiti e un valutatore indipendente li verifica e assegna loro un punteggio. Afferma che, in sette degli otto compiti, i circuiti individuati riducono significativamente sia il numero di porte Toffoli sia quello dei qubit rispetto allo stato dell’arte e che, nell’ottavo compito, è stata ottenuta una nuova architettura reversibile per l’inversione modulare su un campo primo.

Un compito di progettazione a ciclo chiuso

Anthropic ha affermato che Claude era particolarmente adatto a questo lavoro per tre ragioni. I circuiti quantistici possono essere scritti come normale codice, quindi il modello può scrivere, eseguire e modificare i progetti come programmi. La correttezza della classe di algoritmi in questione può essere verificata in modo efficiente, perché ogni input produce un unico output determinato che un computer convenzionale può controllare. Inoltre, il punteggio, dato dal numero di qubit moltiplicato per il numero di porte, fornisce un obiettivo misurabile e funge da indicatore del tempo necessario per eseguire un circuito. Operando in questo ciclo chiuso, Claude Mythos 5 ha proposto progetti in Python, ricevuto dal programma valutatore un riscontro sulla correttezza e un punteggio, quindi li ha modificati, senza alcun intervento umano tra un ciclo e l’altro.

Il post descrive due vincoli che distinguono i circuiti quantistici dai normali programmi. Un circuito non può prendere decisioni del tipo «se-allora», perché opera contemporaneamente su una sovrapposizione di molti input e, a ogni esecuzione, deve includere le operazioni previste per ogni percorso. Inoltre, non può eliminare informazioni, perché ogni passaggio deve essere reversibile: i risultati intermedi devono essere conservati oppure «annullati» eseguendo al contrario il calcolo che li ha prodotti, al costo di porte aggiuntive. Nel loro insieme, questi vincoli impongono un compromesso tra il numero di qubit e il tempo di esecuzione.

Per illustrare i risultati ottenibili riprogettando un circuito, il post ripercorre le stime dei costi di simulazione di FeMoco, il cluster ferro-zolfo al centro della nitrogenasi, l’enzima che i batteri usano per convertire l’azoto presente nell’aria in ammoniaca. Nel 2017, alcuni ricercatori stimarono che il calcolo dell’energia dello stato fondamentale di FeMoco avrebbe richiesto circa 50.000 miliardi di porte Toffoli, tra le porte più costose da eseguire e quindi uno dei parametri standard per stimare la durata di un calcolo quantistico.

Una serie di progressi algoritmici ha portato la stima per lo stesso modello a 54 orbitali a circa 340 milioni, una riduzione di circa 150.000 volte che, secondo il post, corrisponde a poche ore di calcolo su una futura macchina dotata di circa tre milioni di qubit fisici. I computer quantistici attuali hanno soltanto da alcune centinaia ad alcune migliaia di qubit, che sono inoltre estremamente sensibili al rumore ambientale.

Un algoritmo reversibile per l’inversione modulare

La prima scoperta descritta nel post riguarda l’addizione di punti, la regola che consente di combinare due punti su una curva ellittica per ottenerne un terzo. L’addizione di punti è il passaggio fondamentale degli algoritmi quantistici per il problema del logaritmo discreto su curve ellittiche e uno dei parametri di riferimento standard del settore; la maggior parte del costo deriva da un singolo passaggio, l’inversione modulare, la versione con riporto della divisione usata nell’aritmetica delle curve ellittiche. Claude ha ricevuto un breve testo di una sola frase che spiegava la regola matematica e il modo in cui il valutatore avrebbe controllato e assegnato un punteggio a ciascun progetto, poi ha lavorato per 53 ore con un intervento umano minimo, limitato al testo iniziale e a occasionali inviti a ragionare in modo più ampio, prima di arrivare a un approccio del tutto nuovo, ha riferito Anthropic.

I computer classici eseguono l’inversione modulare in modo efficiente con un metodo chiamato divsteps, ma finora il metodo non aveva permesso di ottenere un circuito quantistico pratico. La reversibilità impone al circuito di conservare una registrazione dell’operazione scelta a ogni iterazione, detta informazione sul ramo; memorizzare questa cronologia richiede un numero enorme di qubit aggiuntivi. Claude ha ragionato che forse non era necessario conservarla, perché l’informazione sul ramo poteva essere decodificata esaminando la coppia di numeri dopo ogni iterazione.

Le prime regole di decodifica candidate funzionavano su casi di prova di piccole dimensioni, ma fallivano con il problema completo a 256 bit. Claude ha quindi dimostrato una serie di risultati sull’iterazione, comprese diverse nuove identità algebriche, ricavato una formula di decodifica precisa, verificato la formula con simulazioni numeriche su larga scala e formalizzato l’affermazione in Lean. Completata la convalida, ha prodotto quella che Anthropic ha descritto come la prima implementazione reversibile di divsteps senza cronologia dei rami memorizzata.

Poiché la decodifica fa risparmiare qubit ma richiede tempo, Claude ha variato la soglia oltre la quale il circuito memorizza le informazioni sui rami invece di decodificarle, ottenendo una serie di progetti compresi tra i due estremi. Un circuito della serie usa il 12% di qubit in più, ma 17 volte meno gate rispetto al più piccolo progetto precedente; secondo l’articolo, i nuovi progetti ampliano la frontiera di Pareto delle combinazioni tra numero di qubit e tempo di esecuzione. I migliori progetti pubblicati in precedenza, elencati per il confronto, sono quelli di Schrottenloher (2026) e Luo et al. (2026).

Un decodificatore per l’ottimizzazione quantistica 12 volte più economico

La seconda scoperta riguarda l’interferometria quantistica decodificata (DQI), che l’articolo descrive come una delle candidate più promettenti per ottenere un’accelerazione quantistica superpolinomiale. Il passaggio più oneroso dell’algoritmo è un decodificatore di correzione degli errori; i ricercatori che hanno introdotto la DQI l’hanno dimostrata sul problema dell’intersezione polinomiale ottimale (OPI), una versione basata su griglie dell’adattamento di curve, utilizzando un decodificatore Reed–Solomon. Le stime dei ricercatori di Google Quantum AI citate nell’articolo indicano che risolvere uno specifico problema OPI richiederebbe circa tre mesi sul supercomputer Frontier, contro circa un’ora su un futuro computer quantistico che esegua la DQI; gran parte di quell’ora sarebbe dedicata alla decodifica Reed–Solomon.

Il circuito che rappresentava lo stato dell’arte fino a quel momento elaborava le sindromi, riepiloghi compatti degli errori, utilizzando l’algoritmo euclideo esteso, nel quale il numero e l’ordine dei passaggi dipendono dall’input. Poiché un circuito quantistico gestisce molti input con un’unica sequenza fissa di gate, quel progetto doveva distribuire il calcolo su più round di quanti ne richiedesse un singolo input ed eseguire ogni operazione in ciascun round. Claude ha invece strutturato il circuito attorno alla decodifica Berlekamp–Massey, che esegue lo stesso tipo di passaggio in ogni round e utilizza sempre lo stesso numero di round.

Rendere reversibile questo metodo ha creato un problema di memoria: i valori temporanei calcolati a ogni round devono poter essere recuperati, così da poter essere successivamente annullati mediante calcolo inverso; riservare memoria per il caso peggiore — un valore eccezionale che può presentarsi in 35 round diversi — richiederebbe 665 qubit. Claude ha scritto un simulatore ad alta velocità ed eseguito 403 milioni di decodifiche campione per misurare la frequenza di queste eccezioni; quasi tutte le esecuzioni richiedevano di salvare al massimo un valore, perciò il circuito riserva 19 qubit per memorizzarne uno.

Circa un’esecuzione su 10.000 richiede più memoria e fallisce; secondo l’articolo, questo rientra ampiamente nel tasso di errore consentito dal compito. L’articolo riferisce che, nel complesso, le ottimizzazioni hanno ridotto di 12 volte il numero di gate del decodificatore rispetto alla precedente soluzione di Google, intervenendo su tre livelli: il metodo, l’architettura del circuito e il budget di risorse.

Limiti e prospettive dichiarate

Anthropic ha riferito che, nei primi esperimenti, Claude era prudente: metteva ripetutamente in dubbio i miglioramenti apparenti, controllava due e tre volte i risultati ben supportati e preferiva approcci esistenti e consolidati. Come osserva l’articolo, a volte questa cautela si è rivelata utile e ha portato alle dimostrazioni formali in Lean che hanno verificato il progetto basato su divsteps. Il team ha adottato due contromisure: chiedere a Claude di proporre in parallelo diversi approcci qualitativamente distinti e, di tanto in tanto, invitarlo ad ampliare la propria ricerca.

L’articolo mette a confronto la riduzione di 150.000 volte relativa a FeMoco, che secondo quanto riferito ha richiesto otto anni di lavoro a numerosi gruppi di ricerca, con l’unica esecuzione di 53 ore alla base del progetto per le curve ellittiche. Anthropic ha dichiarato che i risultati suggeriscono che l’IA può contribuire alla progettazione dei circuiti e ha sollevato la possibilità che l’IA possa ottimizzare congiuntamente i componenti di un computer quantistico con correzione degli errori, dall’algoritmo fino all’hardware, per uno specifico problema. L’articolo ringrazia Arjun Kar e Vinay Ramasesh per le utili discussioni nelle prime fasi del progetto.