Anthropic заявляет, что Claude превзошла лучшие опубликованные разработки квантовых схем

В исследовательской публикации от 16 октября 2026 года Anthropic сообщила, что её модель Claude Mythos 5, работая в замкнутом цикле с автоматизированной системой оценки и в значительной степени самостоятельно, разработала квантовые схемы, превосходящие лучшие из ранее опубликованных для восьми вычислительных примитивов. В некоторых случаях улучшение составило порядок величины или больше.

Примитивы — базовые процедуры, на основе которых строятся более крупные квантовые алгоритмы, — охватывают химию, оптимизацию, квантовое моделирование, теорию чисел и численные вычисления. Андре Гу руководил этой работой в рамках программы Anthropic STEM Fellows Program при поддержке Алека Кемени, физика-квантика из Anthropic, и в сотрудничестве с Сюзанной Елин из Гарвардского университета и Михаилом Лукиным из Гарвардского университета и QuEra Computing.

Сопутствующая статья «Открытие передовых квантовых схем с помощью больших языковых моделей» была отправлена на arXiv 15 октября 2026 года Гу, Кемени, Елин и Лукиным; она состоит из 46 страниц, содержит 10 рисунков и шесть таблиц. В аннотации описана эволюционная схема, в которой большие языковые модели предлагают варианты квантовых схем, а независимая система оценки проверяет и оценивает их. В статье говорится, что в семи из восьми задач найденные схемы значительно сокращают как количество вентилей Тоффоли, так и число кубитов по сравнению с текущим уровнем разработок, а в восьмой задаче была предложена новая обратимая архитектура для модульного обращения в простом поле.

Проектирование в замкнутом цикле

По словам Anthropic, Claude хорошо подходила для этой работы по трём причинам. Квантовые схемы можно записывать как обычный код, поэтому модель может создавать, запускать и изменять проекты как программы. Корректность алгоритмов выбранного класса можно эффективно проверять: для каждого входного значения получается единственный определённый результат, который может проверить обычный компьютер. Кроме того, оценка — произведение числа кубитов на число вентилей — задаёт объективную цель и служит показателем того, сколько времени займёт выполнение схемы. Работая в таком замкнутом цикле, Claude Mythos 5 предлагала проекты на Python, получала от программы-оценщика обратную связь о корректности и оценку, а затем вносила изменения; между итерациями вмешательства человека не было.

В публикации описаны два ограничения, отличающие квантовые схемы от обычных программ. Схема не может принимать решения по принципу «если — то», поскольку одновременно работает в суперпозиции множества входных значений и при каждом запуске должна включать операции для всех возможных путей. Она также не может отбрасывать информацию, поскольку каждый шаг должен быть обратимым: промежуточные результаты необходимо сохранять или «вычислять обратно», выполняя в обратном порядке породившие их вычисления, что требует дополнительных вентилей. Вместе эти ограничения вынуждают искать компромисс между числом кубитов и временем выполнения.

В качестве примера того, чего можно добиться, перепроектировав квантовую схему, в публикации приводятся оценки затрат на моделирование FeMoco — железо-серного кластера в активном центре нитрогеназы, фермента, с помощью которого бактерии превращают азот из воздуха в аммиак. В 2017 году исследователи оценили, что для вычисления энергии основного состояния FeMoco потребуется около 50 триллионов вентилей Тоффоли. Это один из самых затратных в выполнении типов вентилей, поэтому их число служит стандартным способом оценить продолжительность квантового вычисления.

Серия алгоритмических усовершенствований позволила снизить оценку для той же модели с 54 орбиталями примерно до 340 миллионов вентилей — это сокращение примерно в 150 000 раз. Как отмечается в публикации, такой объём вычислений можно выполнить за несколько часов на будущей машине примерно с тремя миллионами физических кубитов. Современные квантовые компьютеры располагают лишь сотнями или тысячами кубитов, причём эти кубиты очень чувствительны к шуму окружающей среды.

Алгоритм обратимого модульного обращения

Первое подробно описанное в публикации открытие касается сложения точек — правила, по которому две точки эллиптической кривой объединяются в третью. Сложение точек — ключевой этап квантовых алгоритмов решения задачи дискретного логарифмирования на эллиптических кривых и один из стандартных эталонных тестов в этой области. Основная часть вычислительных затрат приходится на одну операцию — модульное обращение, то есть деление с переходом через границу модуля, используемое в арифметике эллиптических кривых. Claude получила краткое описание математического правила в одном абзаце, а также объяснение того, как система оценки будет проверять и оценивать каждый проект. Затем она работала 53 часа при минимальном участии человека, ограниченном этим описанием и редкими просьбами рассмотреть задачу шире, прежде чем предложить совершенно новый подход, сообщила Anthropic.

Классические компьютеры эффективно выполняют модульное обращение с помощью метода divsteps, однако прежде этот метод не позволял создать практичную квантовую схему. Из-за требования обратимости схема должна сохранять сведения о том, какая операция выбиралась на каждой итерации; эти сведения называют информацией о ветвлении. Хранение такой истории требует огромного числа дополнительных кубитов. Claude пришла к выводу, что, возможно, хранить её вовсе не обязательно: информацию о ветвлении можно восстановить, анализируя пару чисел после каждой итерации.

Ранние варианты правил декодирования работали на небольших тестовых примерах, но не справлялись с задачей полного размера — 256 бит. Затем Claude доказала ряд утверждений об итерационном процессе, в том числе несколько новых алгебраических тождеств, вывела точную формулу декодирования, проверила её в крупномасштабных численных симуляциях и формализовала утверждение в Lean. Завершив проверку, она создала то, что Anthropic назвала первой обратимой реализацией divsteps без сохранения истории ветвлений.

Поскольку декодирование экономит кубиты, но требует времени, Claude менял порог, при котором схема сохраняет информацию о ветвлении, а не декодирует её, получая семейство схем, занимающих промежуточное положение между двумя крайностями. В одной схеме из этого семейства используется на 12% больше кубитов, но в 17 раз меньше вентилей, чем в самой компактной из предыдущих схем. В публикации говорится, что новые схемы расширяют границу Парето для сочетаний числа кубитов и времени выполнения. Среди лучших ранее опубликованных схем, приведённых для сравнения, названы Schrottenloher (2026) и Luo et al. (2026).

Декодер для квантовой оптимизации, стоимость которого в 12 раз ниже

Второе открытие касается декодированной квантовой интерферометрии (DQI), которую в публикации называют одним из наиболее перспективных кандидатов на квантовое ускорение сверхполиномиального порядка. Самый ресурсоёмкий этап алгоритма — декодер с коррекцией ошибок. Исследователи, предложившие DQI, продемонстрировали её на задаче оптимального полиномиального пересечения (OPI) — сеточной разновидности аппроксимации кривых — с помощью декодера Рида — Соломона. Приведённые в публикации оценки исследователей Google Quantum AI показывают, что решение одной конкретной задачи OPI заняло бы около трёх месяцев на суперкомпьютере Frontier и примерно час на будущем квантовом компьютере, работающем с DQI. При этом большая часть этого часа ушла бы на декодирование Рида — Соломона.

В предыдущей наиболее совершенной схеме синдромы — компактные сводки ошибок — обрабатывались с помощью расширенного алгоритма Евклида, в котором число шагов и их порядок зависят от входных данных. Поскольку квантовая схема обрабатывает множество входных данных с помощью одной фиксированной последовательности вентилей, в той схеме вычисления приходилось распределять на большее число раундов, чем требовалось для любого отдельного входного набора, и выполнять все операции в каждом раунде. Вместо этого Claude построил схему на основе декодирования Берлекэмпа — Мэсси, при котором на каждом раунде выполняется один и тот же тип шага и всегда используется одинаковое число раундов.

Обратимость этого метода создала проблему с хранением данных: временные значения, вычисленные в каждом раунде, необходимо сохранять, чтобы позднее их можно было восстановить и отменить вычисления. Если резервировать память для наихудшего случая — исключительного значения, возникающего в 35 разных раундах, — потребовалось бы 665 кубитов. Claude написал высокоскоростной симулятор и выполнил 403 миллиона пробных декодирований, чтобы измерить частоту таких исключений. Почти во всех запусках требовалось сохранить не более одного значения, поэтому схема резервирует 19 кубитов для хранения одного значения.

Примерно в одном запуске из 10 000 требуется больше, и он завершается неудачей. Как указано в публикации, это вполне укладывается в допустимую для задачи частоту ошибок. Согласно публикации, в совокупности эти оптимизации сократили число вентилей декодера в 12 раз по сравнению с предыдущей разработкой Google благодаря изменениям на трёх уровнях: методе, архитектуре схемы и бюджете ресурсов.

Ограничения и заявленные перспективы

Anthropic сообщила, что в ранних экспериментах Claude проявлял осторожность: неоднократно сомневался в кажущихся улучшениях, по два и по три раза перепроверял хорошо обоснованные результаты и предпочитал уже известные, проверенные подходы. Как отмечается в публикации, эта осторожность иногда приносила пользу и побудила создать доказательства на Lean, подтвердившие корректность схемы divsteps. Команда использовала два способа смягчить эту проблему: требовала от Claude предлагать несколько качественно разных подходов, разрабатываемых параллельно, и время от времени давала ему указание расширить область поиска.

В публикации сопоставляются сокращение объёма вычислений для FeMoco в 150 000 раз, на которое, по словам авторов, у многих исследовательских групп ушло восемь лет, и единственный 53-часовой запуск, позволивший разработать схему для эллиптической кривой. Anthropic заявила, что эти результаты показывают: ИИ может помогать в разработке схем, и высказала предположение, что ИИ способен совместно оптимизировать компоненты квантового компьютера с коррекцией ошибок — от алгоритма до аппаратного обеспечения — для решения конкретной задачи. В публикации также выражена благодарность Арджуну Кару и Винаю Рамасешу за полезные обсуждения на ранних этапах проекта.