Anthropic afirma que Claude superou os melhores projetos publicados de circuitos quânticos

Em uma publicação de pesquisa divulgada em 16 de outubro de 2026, a Anthropic informou que seu modelo Claude Mythos 5, trabalhando em um ciclo fechado com um avaliador automatizado e, em grande parte, por conta própria, projetou circuitos quânticos que superam os melhores circuitos publicados anteriormente em oito primitivas computacionais, em alguns casos por uma ordem de magnitude ou mais.

As primitivas — rotinas básicas a partir das quais são construídos algoritmos quânticos maiores — abrangem química, otimização, simulação quântica, teoria dos números e computação numérica. Andi Gu liderou o trabalho como parte do STEM Fellows Program da Anthropic, sob a orientação de Alek Kemeny, físico quântico da Anthropic, e em colaboração com Susanne Yelin, da Universidade Harvard, e Mikhail Lukin, da Universidade Harvard e da QuEra Computing.

Um artigo complementar, Descobrindo circuitos quânticos de ponta com modelos de linguagem de grande escala, foi enviado ao arXiv em 15 de outubro de 2026 por Gu, Kemeny, Yelin e Lukin e tem 46 páginas, 10 figuras e seis tabelas. O resumo descreve uma estrutura evolutiva na qual modelos de linguagem de grande escala propõem projetos de circuitos, que um avaliador independente verifica e pontua. Segundo o texto, em sete das oito tarefas, os circuitos descobertos reduzem significativamente tanto a quantidade de portas Toffoli quanto o número de qubits em relação ao estado da arte; na oitava tarefa, foi criada uma nova arquitetura reversível para inversão modular em corpos primos.

Uma tarefa de projeto em ciclo fechado

A Anthropic afirmou que Claude era adequado para esse trabalho por três motivos. Circuitos quânticos podem ser escritos como código comum, de modo que o modelo pode escrever, executar e revisar projetos como programas. A classe de algoritmos em questão pode ser testada com eficiência quanto à correção, pois cada entrada produz uma única saída definida, que um computador convencional pode verificar. Além disso, a pontuação — o número de qubits multiplicado pelo número de portas — oferece um objetivo mensurável que serve como indicador do tempo de execução de um circuito. Trabalhando nesse ciclo fechado, Claude Mythos 5 propôs projetos em Python, recebeu do programa avaliador um retorno sobre a correção e uma pontuação e fez revisões, sem intervenção humana entre as rodadas.

A publicação descreve duas restrições que diferenciam os circuitos quânticos dos programas comuns. Um circuito não pode tomar decisões condicionais do tipo “se-então”, pois opera em uma superposição de muitas entradas ao mesmo tempo e precisa incluir as operações de todos os caminhos em cada execução. Também não pode descartar informações, porque cada etapa precisa ser reversível; os resultados intermediários devem ser armazenados ou “descomputados” — executando ao contrário o cálculo que os criou —, o que exige portas adicionais. Em conjunto, essas restrições impõem uma compensação entre o número de qubits e o tempo de execução.

Para ilustrar o que o reprojeto de circuitos pode alcançar, a publicação retoma estimativas de custo para simular o FeMoco, o agrupamento de ferro e enxofre no centro da nitrogenase, enzima que as bactérias usam para converter o nitrogênio do ar em amônia. Em 2017, pesquisadores estimaram que calcular a energia do estado fundamental do FeMoco exigiria cerca de 50 trilhões de portas Toffoli, um dos tipos de porta mais caros de executar e, por isso, uma medida padrão para estimar quanto tempo uma computação quântica levará.

Uma série de avanços algorítmicos reduziu a estimativa para o mesmo modelo de 54 orbitais a cerca de 340 milhões, uma redução de aproximadamente 150.000 vezes que, segundo a publicação, corresponde a algumas horas de computação em uma máquina futura com cerca de três milhões de qubits físicos. Os computadores quânticos atuais têm apenas centenas a milhares de qubits, que são altamente sensíveis ao ruído ambiental.

Um algoritmo reversível de inversão modular

A primeira descoberta detalhada na publicação diz respeito à adição de pontos, a regra para combinar dois pontos em uma curva elíptica e obter um terceiro. A adição de pontos é a etapa central dos algoritmos quânticos para o problema do logaritmo discreto em curvas elípticas e um dos testes de referência da área; a maior parte do custo vem de uma única etapa: a inversão modular, a versão da divisão com retorno cíclico usada na aritmética de curvas elípticas. A Anthropic informou que Claude recebeu um resumo de um parágrafo explicando a regra matemática e como o avaliador verificaria e pontuaria cada projeto. Em seguida, trabalhou por 53 horas com intervenção humana mínima, limitada ao resumo e a instruções ocasionais para pensar de forma mais abrangente, até chegar a uma abordagem completamente nova.

Os computadores clássicos realizam a inversão modular com eficiência por meio de um método chamado divsteps, mas esse método ainda não havia levado a um circuito quântico prático. A reversibilidade obriga o circuito a manter um registro da operação escolhida em cada iteração, chamado informação de ramificação, e armazenar esse histórico exige um número enorme de qubits adicionais. Claude raciocinou que talvez não fosse necessário armazenar o registro, pois seria possível decodificar a informação de ramificação examinando o par de números após cada iteração.

As primeiras regras de decodificação testadas funcionaram em casos pequenos, mas falharam no problema completo de 256 bits. Claude então provou uma série de resultados sobre a iteração, incluindo várias identidades algébricas novas, derivou uma fórmula precisa de decodificação, verificou-a em simulações numéricas de grande escala e formalizou a afirmação no Lean. Com a validação concluída, produziu o que a Anthropic descreveu como a primeira implementação reversível de divsteps sem histórico de ramificação armazenado.

Como a decodificação economiza qubits, mas consome tempo, Claude variou o limite a partir do qual o circuito armazena, em vez de decodificar, as informações sobre os ramos, produzindo uma família de projetos entre os dois extremos. Um dos circuitos dessa família usa 12% mais qubits, mas 17 vezes menos portas que o menor projeto anterior, e a publicação afirma que os novos projetos ampliam a fronteira de Pareto das combinações entre número de qubits e tempo de execução. Os melhores projetos publicados anteriormente e incluídos na comparação são os de Schrottenloher (2026) e Luo et al. (2026).

Um decodificador 12 vezes mais barato para otimização quântica

A segunda descoberta diz respeito à interferometria quântica decodificada (DQI), que a publicação descreve como uma das candidatas mais promissoras a proporcionar um ganho de velocidade quântica superpolinomial. A etapa mais cara do algoritmo é um decodificador de correção de erros, e os pesquisadores que apresentaram a DQI a demonstraram no problema da interseção polinomial ótima (OPI), uma versão do ajuste de curvas baseada em grades, usando um decodificador Reed–Solomon. As estimativas de pesquisadores do Google Quantum AI citadas na publicação indicam que resolver um determinado problema de OPI levaria cerca de três meses no supercomputador Frontier, em comparação com aproximadamente uma hora em um futuro computador quântico executando DQI; a maior parte dessa hora seria dedicada à decodificação Reed–Solomon.

O circuito que representava o estado da arte até então processava síndromes, resumos compactos dos erros, usando o algoritmo euclidiano estendido, no qual o número e a ordem das etapas dependem da entrada. Como um circuito quântico processa muitas entradas com uma única sequência fixa de portas, esse projeto precisava estender o cálculo por mais rodadas do que qualquer entrada individual exigiria e executar todas as operações em cada rodada. Em vez disso, Claude organizou seu circuito em torno da decodificação Berlekamp–Massey, que realiza o mesmo tipo de etapa em todas as rodadas e sempre executa o mesmo número de rodadas.

Tornar esse método reversível criou um problema de armazenamento: os valores temporários calculados em cada rodada precisam poder ser recuperados para serem descalculados depois, e reservar memória para o pior caso — um valor excepcional que surge em 35 rodadas diferentes — exigiria 665 qubits. Claude escreveu um simulador de alta velocidade e executou 403 milhões de decodificações de amostras para medir a frequência dessas exceções; em quase todas as execuções, bastava salvar no máximo um valor, por isso o circuito reserva 19 qubits para armazenar um único valor.

Cerca de uma execução em cada 10.000 exige mais do que isso e falha, o que, segundo a publicação, está bem dentro da taxa de erro permitida pela tarefa. A publicação relata que, em conjunto, as otimizações reduziram em um fator de 12 o número de portas do decodificador em relação à construção anterior do Google, por meio de mudanças em três níveis: o método, a arquitetura do circuito e o orçamento de recursos.

Limitações e perspectivas declaradas

A Anthropic relatou que, nos primeiros experimentos, Claude era conservador: questionava repetidamente melhorias aparentes, verificava duas e até três vezes resultados bem fundamentados e preferia abordagens conhecidas e já estabelecidas. A publicação observa que essa cautela às vezes foi valiosa e levou às demonstrações formais em Lean que verificaram o projeto divsteps. A equipe adotou duas medidas para contornar o problema: exigir que Claude propusesse várias abordagens qualitativamente diferentes, desenvolvidas em paralelo, e, ocasionalmente, incentivá-lo a ampliar sua busca.

A publicação contrapõe a redução de 150.000 vezes do FeMoco, que, segundo ela, exigiu oito anos de trabalho de muitos grupos de pesquisa, à execução única de 53 horas por trás do projeto de curva elíptica. A Anthropic afirmou que os resultados sugerem que a IA pode contribuir para o trabalho de projeto de circuitos e levantou a possibilidade de a IA otimizar conjuntamente os componentes de um computador quântico com correção de erros — do algoritmo ao hardware — para um problema específico. A publicação agradece a Arjun Kar e Vinay Ramasesh pelas conversas úteis nas etapas iniciais do projeto.