Anthropic twierdzi, że Claude pokonał najlepsze opublikowane projekty obwodów kwantowych

W opublikowanym 16 października 2026 r. wpisie badawczym Anthropic poinformowało, że model Claude Mythos 5, działając w zamkniętej pętli ze zautomatyzowanym ewaluatorem i w dużej mierze samodzielnie, zaprojektował obwody kwantowe przewyższające najlepsze wcześniej opublikowane obwody w ośmiu podstawowych zadaniach obliczeniowych — w niektórych przypadkach o rząd wielkości lub więcej.

Podstawowe zadania — rutynowe procedury, z których buduje się większe algorytmy kwantowe — obejmują chemię, optymalizację, symulacje kwantowe, teorię liczb i obliczenia numeryczne. Pracami kierował Andi Gu w ramach programu STEM Fellows Program firmy Anthropic, pod opieką Aleka Kemeny’ego, fizyka kwantowego z Anthropic, i we współpracy z Susanne Yelin z Harvard University oraz Mikhaiłem Lukinem z Harvard University i QuEra Computing.

Towarzyszący pracy artykuł, Odkrywanie najnowocześniejszych obwodów kwantowych za pomocą dużych modeli językowych, został przesłany do serwisu arXiv 15 października 2026 r. przez Gu, Kemeny’ego, Yelin i Lukina; liczy 46 stron, zawiera 10 rycin i sześć tabel. W abstrakcie opisano ewolucyjne podejście, w którym duże modele językowe proponują projekty obwodów, a niezależny ewaluator je weryfikuje i ocenia. Podano, że w siedmiu z ośmiu zadań odkryte obwody znacząco zmniejszają zarówno liczbę bramek Toffoliego, jak i liczbę kubitów w porównaniu z dotychczasowym stanem wiedzy, a w przypadku ósmego zadania uzyskano nową odwracalną architekturę do obliczania odwrotności modularnej w ciele o charakterystyce pierwszej.

Projektowanie w zamkniętej pętli

Anthropic podało trzy powody, dla których Claude dobrze nadawał się do tego zadania. Obwody kwantowe można zapisywać jako zwykły kod, więc model może tworzyć, uruchamiać i poprawiać projekty w formie programów. Poprawność docelowej klasy algorytmów można sprawdzać wydajnie, ponieważ każde wejście daje jeden określony wynik, który może zweryfikować konwencjonalny komputer. Z kolei wynik — iloczyn liczby kubitów i liczby bramek — wyznacza obiektywny cel i służy jako przybliżona miara czasu działania obwodu. W ramach tej zamkniętej pętli Claude Mythos 5 proponował projekty w Pythonie, otrzymywał od programu ewaluacyjnego informację zwrotną o poprawności i ocenę, a następnie wprowadzał poprawki — między kolejnymi rundami nie otrzymywał żadnych wskazówek od człowieka.

Wpis opisuje dwa ograniczenia odróżniające obwody kwantowe od zwykłych programów. Obwód nie może podejmować decyzji typu „jeśli–to”, ponieważ działa jednocześnie na superpozycji wielu wejść i przy każdym uruchomieniu musi uwzględniać operacje dla każdej możliwej ścieżki. Nie może też odrzucać informacji, ponieważ każdy krok musi być odwracalny; wyniki pośrednie trzeba przechowywać albo „wyliczać wstecz”, wykonując w odwrotnej kolejności obliczenie, które je utworzyło, co wymaga dodatkowych bramek. Ograniczenia te łącznie wymuszają kompromis między liczbą kubitów a czasem działania.

Aby zilustrować, co można osiągnąć dzięki przeprojektowaniu obwodu, we wpisie przytoczono szacunki kosztu symulacji FeMoco — skupiska żelazowo-siarkowego znajdującego się w centrum nitrogenazy, enzymu wykorzystywanego przez bakterie do przekształcania azotu z powietrza w amoniak. W 2017 r. naukowcy oszacowali, że obliczenie energii stanu podstawowego FeMoco wymagałoby około 50 bilionów bramek Toffoliego. To jeden z najkosztowniejszych typów bramek, dlatego standardowo wykorzystuje się go do szacowania czasu trwania obliczeń kwantowych.

Dzięki serii postępów w dziedzinie algorytmów szacunek dla tego samego modelu z 54 orbitalami spadł do około 340 milionów — to mniej więcej 150 000 razy mniej. Według wpisu oznacza to kilka godzin obliczeń na przyszłym komputerze wyposażonym w około trzy miliony fizycznych kubitów. Dzisiejsze komputery kwantowe mają zaledwie od kilkuset do kilku tysięcy kubitów, które są bardzo podatne na zakłócenia z otoczenia.

Odwracalny algorytm obliczania odwrotności modularnej

Pierwsze opisane we wpisie odkrycie dotyczy dodawania punktów — reguły łączenia dwóch punktów na krzywej eliptycznej w celu uzyskania trzeciego. Dodawanie punktów jest podstawowym krokiem algorytmów kwantowych rozwiązujących problem logarytmu dyskretnego na krzywych eliptycznych i jednym ze standardowych testów porównawczych w tej dziedzinie; większość kosztów wynika z pojedynczego działania: odwracania modularnego, czyli dzielenia z zawijaniem stosowanego w arytmetyce krzywych eliptycznych. Anthropic podało, że Claude otrzymał jednostronicowe objaśnienie reguły matematycznej oraz sposobu sprawdzania i oceniania projektów przez ewaluator, a następnie pracował przez 53 godziny przy minimalnym udziale człowieka. Ograniczał się on do przekazania objaśnienia i sporadycznych zachęt, by model rozważył szersze podejście. Po tym czasie Claude opracował całkowicie nową metodę.

Komputery klasyczne wydajnie obliczają odwrotność modularną za pomocą metody zwanej divsteps, jednak dotąd nie udało się na jej podstawie stworzyć praktycznego obwodu kwantowego. Odwracalność wymaga, by obwód zachowywał zapis wybranej operacji w każdej iteracji, nazywany informacją o gałęzi; przechowywanie tej historii wymaga ogromnej liczby dodatkowych kubitów. Claude doszedł do wniosku, że być może nie trzeba jej przechowywać, ponieważ informację o gałęzi można odtworzyć przez sprawdzenie pary liczb po każdej iteracji.

Wczesne reguły odtwarzania informacji działały w małych przypadkach testowych, ale zawodziły przy pełnym rozmiarze problemu wynoszącym 256 bitów. Claude następnie udowodnił szereg twierdzeń dotyczących iteracji, w tym kilka nowych tożsamości algebraicznych, wyprowadził precyzyjny wzór odtwarzania informacji, sprawdził go w symulacjach numerycznych na dużą skalę i sformalizował twierdzenie w Lean. Po zakończeniu walidacji uzyskał to, co Anthropic określiło jako pierwszą odwracalną implementację divsteps, która nie przechowuje historii gałęzi.

Ponieważ dekodowanie pozwala oszczędzić kubity, ale zajmuje czas, Claude zmieniał próg, przy którym układ zapamiętuje informacje o gałęzi zamiast je dekodować, tworząc rodzinę projektów mieszczących się między tymi skrajnościami. Jeden z układów w tej rodzinie wykorzystuje o 12% więcej kubitów, ale wymaga 17 razy mniej bramek niż najmniejszy z wcześniejszych projektów. W artykule stwierdzono, że nowe projekty poszerzają granicę Pareto kombinacji liczby kubitów i czasu wykonania. Najlepsze wcześniej opublikowane projekty wymienione do porównania to Schrottenloher (2026) i Luo et al. (2026).

Dekoder do optymalizacji kwantowej tańszy 12-krotnie

Drugie odkrycie dotyczy dekodowanej interferometrii kwantowej (DQI), którą artykuł opisuje jako jedną z najbardziej obiecujących metod uzyskania superwielomianowego przyspieszenia kwantowego. Najbardziej kosztownym etapem algorytmu jest dekoder korygujący błędy. Badacze, którzy opracowali DQI, zademonstrowali tę metodę na problemie optymalnego przecięcia wielomianów (OPI) — opartej na siatce wersji dopasowywania krzywych — wykorzystując dekoder Reeda–Solomona. Przytoczone w artykule szacunki badaczy z Google Quantum AI wskazują, że rozwiązanie pewnego konkretnego problemu OPI zajęłoby około trzech miesięcy na superkomputerze Frontier, a na przyszłym komputerze kwantowym uruchamiającym DQI — mniej więcej godzinę. Większość tej godziny pochłonęłoby dekodowanie Reeda–Solomona.

Dotychczasowy najlepszy układ przetwarzał syndromy, czyli zwięzłe podsumowania błędów, za pomocą rozszerzonego algorytmu Euklidesa, w którym liczba i kolejność kroków zależą od danych wejściowych. Ponieważ układ kwantowy obsługuje wiele danych wejściowych przy użyciu jednej, ustalonej sekwencji bramek, w tym projekcie obliczenia trzeba było rozłożyć na więcej rund, niż wymagałaby dowolna pojedyncza dana wejściowa, oraz wykonywać każdą operację w każdej rundzie. Claude zaprojektował natomiast układ oparty na dekodowaniu Berlekampa–Masseya, w którym w każdej rundzie wykonywany jest ten sam rodzaj kroku i zawsze przebiega taka sama liczba rund.

Odwracalne zastosowanie tej metody stworzyło problem z przechowywaniem danych: wartości tymczasowe obliczane w każdej rundzie muszą być możliwe do odzyskania, aby można je było później wymazać przez odwrócenie obliczeń. Zarezerwowanie pamięci na najgorszy przypadek — wyjątkową wartość występującą w 35 różnych rundach — wymagałoby 665 kubitów. Claude napisał szybki symulator i przeprowadził 403 miliony dekodowań próbnych, aby zmierzyć częstotliwość występowania takich wyjątków. W niemal każdym przebiegu trzeba było zapisać najwyżej jedną wartość, dlatego układ rezerwuje 19 kubitów na pojedynczą zapisywaną wartość.

Około jeden przebieg na 10 000 wymaga zapisania większej liczby wartości i kończy się niepowodzeniem, co — jak stwierdzono w artykule — mieści się z dużym zapasem w dopuszczalnym dla tego zadania poziomie błędów. Artykuł podaje, że łącznie optymalizacje zmniejszyły liczbę bramek dekodera 12-krotnie w porównaniu z wcześniejszym rozwiązaniem Google. Zmiany wprowadzono na trzech poziomach: metody, architektury układu i budżetu zasobów.

Ograniczenia i przedstawione perspektywy

Anthropic poinformował, że we wczesnych eksperymentach Claude zachowywał ostrożność: wielokrotnie podważał pozorne usprawnienia, dwu- i trzykrotnie sprawdzał dobrze uzasadnione wyniki oraz preferował istniejące, dobrze znane podejścia. Jak zauważono w artykule, ta ostrożność bywała przydatna i skłoniła model do przygotowania dowodów w Lean, które zweryfikowały projekt divsteps. Zespół zastosował dwa środki zaradcze: wymagał od Claude’a proponowania kilku jakościowo odmiennych podejść opracowywanych równolegle, a także od czasu do czasu zachęcał go do poszerzenia zakresu poszukiwań.

Artykuł zestawia 150 000-krotne zmniejszenie zasobów związanych z FeMoco, które — jak podano — zajęło wielu zespołom badawczym osiem lat, z pojedynczym, 53-godzinnym przebiegiem prac nad projektem opartym na krzywych eliptycznych. Anthropic stwierdził, że wyniki wskazują, iż AI może wspomagać projektowanie układów, i zasygnalizował możliwość wspólnej optymalizacji przez AI elementów komputera kwantowego z korekcją błędów — od algorytmu po sprzęt — pod kątem konkretnego problemu. W artykule podziękowano Arjunowi Karowi i Vinayowi Ramaseshowi za pomocne dyskusje na wczesnych etapach projektu.