Anthropic uppger att Claude överträffade de bästa publicerade konstruktionerna av kvantkretsar

I ett forskningsinlägg som publicerades den 16 oktober 2026 rapporterade Anthropic att företagets modell Claude Mythos 5, i en sluten återkopplingsloop med en automatiserad utvärderare och till stor del på egen hand, utformade kvantkretsar som överträffar de bästa tidigare publicerade kretsarna inom åtta beräkningsprimitiver, i vissa fall med en storleksordning eller mer.

Primitiverna, de grundläggande rutiner som större kvantalgoritmer byggs upp av, omfattar kemi, optimering, kvantsimulering, talteori och numeriska beräkningar. Andi Gu ledde arbetet inom ramen för Anthropics STEM Fellows Program, med handledning av Alek Kemeny, kvantfysiker på Anthropic, och i samarbete med Susanne Yelin vid Harvard University samt Mikhail Lukin vid Harvard University och QuEra Computing.

En kompletterande artikel, Att upptäcka toppmoderna kvantkretsar med stora språkmodeller, skickades in till arXiv den 15 oktober 2026 av Gu, Kemeny, Yelin och Lukin. Den omfattar 46 sidor med 10 figurer och sex tabeller. I sammanfattningen beskrivs ett evolutionärt ramverk där stora språkmodeller föreslår kretsdesigner och en oberoende utvärderare verifierar och poängsätter dem. Där står det att de upptäckta kretsarna i sju av de åtta uppgifterna avsevärt minskar både antalet Toffoli-grindar och antalet qubitar jämfört med den senaste forskningen, och att den åttonde uppgiften ledde till en ny reversibel arkitektur för modulär invertering över ett primtalsfält.

En designuppgift med sluten återkopplingsloop

Anthropic uppgav att Claude lämpade sig väl för uppgiften av tre skäl. Kvantkretsar kan skrivas som vanlig kod, så modellen kan skriva, köra och revidera designer som program. Den aktuella klassen av algoritmer kan testas effektivt med avseende på korrekthet, eftersom varje indata ger ett entydigt utdataresultat som en vanlig dator kan kontrollera. Poängen, som beräknas genom att multiplicera antalet qubitar med antalet grindar, ger dessutom ett objektivt mål som fungerar som ett mått på hur lång tid det skulle ta att köra en krets. I denna återkopplingsloop föreslog Claude Mythos 5 designer i Python, fick återkoppling om korrektheten och en poäng från utvärderingsprogrammet och reviderade dem, utan mänsklig inblandning mellan omgångarna.

Inlägget beskriver två begränsningar som skiljer kvantkretsar från vanliga program. En krets kan inte fatta om–så-beslut, eftersom den körs på en superposition av många indata samtidigt och måste omfatta operationerna för varje möjlig bana varje gång den körs. Den kan inte heller kasta bort information, eftersom varje steg måste vara reversibelt. Mellanresultat måste lagras eller återställas genom att beräkningen som skapade dem körs baklänges, vilket kräver fler grindar. Tillsammans tvingar dessa begränsningar fram en avvägning mellan antalet qubitar och körtiden.

Som exempel på vad en omkonstruktion av kretsar kan åstadkomma återger inlägget kostnadsberäkningar för simulering av FeMoco, järn–svavelklustret i centrum av nitrogenas, det enzym som bakterier använder för att omvandla kväve från luften till ammoniak. År 2017 uppskattade forskare att en beräkning av FeMocos grundtillståndsenergi skulle kräva omkring 50 biljoner Toffoli-grindar, en av de mest beräkningskrävande grindtyperna och därför ett vanligt mått på hur lång tid en kvantberäkning tar.

En rad algoritmiska framsteg sänkte uppskattningen för samma modell med 54 orbitaler till omkring 340 miljoner Toffoli-grindar, en minskning med ungefär 150 000 gånger. Enligt inlägget motsvarar det några timmars beräkning på en framtida maskin med omkring tre miljoner fysiska qubitar. Dagens kvantdatorer har bara hundratals till tusentals qubitar, och dessa qubitar är mycket känsliga för störningar från omgivningen.

En reversibel algoritm för modulär invertering

Den första upptäckten som inlägget beskriver gäller punktaddition, regeln för att kombinera två punkter på en elliptisk kurva så att en tredje bildas. Punktaddition är det centrala steget i kvantalgoritmer för det diskreta logaritmproblemet på elliptiska kurvor och ett av områdets standardriktmärken. Den största delen av beräkningskostnaden kommer från ett enda steg: modulär invertering, en omslagsvariant av division som används i aritmetik med elliptiska kurvor. Claude fick en instruktion på ett stycke som förklarade den matematiska regeln och hur utvärderaren skulle kontrollera och poängsätta varje design. Därefter arbetade modellen i 53 timmar med minimal mänsklig inblandning, begränsad till instruktionen och sporadiska uppmaningar att tänka bredare, innan den kom fram till ett helt nytt tillvägagångssätt, uppger Anthropic.

Klassiska datorer utför modulär invertering effektivt med en metod som kallas divsteps, men metoden hade inte lett till någon praktiskt användbar kvantkrets. Reversibiliteten innebär att kretsen måste behålla en redogörelse för vilken operation som valdes vid varje iteration, så kallad greninformation. Att lagra denna historik kräver enormt många extra qubitar. Claude resonerade sig fram till att informationen kanske inte behövde lagras alls, eftersom greninformationen skulle kunna avkodas genom att granska talparet efter varje iteration.

De första avkodningsreglerna fungerade på små testfall men misslyckades vid den fullständiga problemstorleken på 256 bitar. Claude bevisade därefter flera resultat om iterationen, däribland flera nya algebraiska identiteter, härledde en exakt avkodningsformel, kontrollerade den i storskaliga numeriska simuleringar och formaliserade påståendet i Lean. När valideringen var klar tog modellen fram det som Anthropic beskrev som den första reversibla implementeringen av divsteps utan lagrad grenhistorik.

Eftersom avkodning sparar qubitar men tar tid varierade Claude tröskeln för när kretsen lagrar greninformationen i stället för att avkoda den. Det resulterade i en familj av konstruktioner mellan de två ytterligheterna. En krets i familjen använder 12 % fler qubitar men 17 gånger färre grindar än den minsta tidigare konstruktionen, och enligt inlägget utvidgar de nya konstruktionerna Paretofronten för kombinationer av antal qubitar och körtid. De bästa tidigare publicerade konstruktionerna som listas för jämförelse är Schrottenloher (2026) och Luo et al. (2026).

En avkodare för kvantoptimering som är 12 gånger billigare

Den andra upptäckten gäller avkodad kvantinterferometri (DQI), som enligt inlägget är en av de starkaste kandidaterna för en superpolynomiell kvantacceleration. Algoritmens mest beräkningskrävande steg är en felkorrigerande avkodare, och forskarna som introducerade DQI demonstrerade den på problemet med optimal polynomisk skärning (OPI), en rutnätsbaserad variant av kurvanpassning, med hjälp av en Reed–Solomon-avkodare. Uppskattningar från forskare vid Google Quantum AI som citeras i inlägget antyder att det skulle ta ungefär tre månader att lösa ett visst OPI-problem på superdatorn Frontier, jämfört med ungefär en timme på en framtida kvantdator som kör DQI, och att merparten av den timmen skulle gå åt till Reed–Solomon-avkodning.

Den tidigare ledande kretsen bearbetade syndrom, kompakta sammanfattningar av fel, med hjälp av den utökade euklidiska algoritmen, där antalet steg och deras ordning beror på indata. Eftersom en kvantkrets hanterar många indata med en enda, fast sekvens av grindar behövde den konstruktionen fördela beräkningen över fler omgångar än vad någon enskild indata skulle kräva och utföra varje operation i varje omgång. Claude byggde i stället sin krets kring Berlekamp–Massey-avkodning, som utför samma typ av steg i varje omgång och alltid kör samma antal omgångar.

När metoden gjordes reversibel uppstod ett lagringsproblem: tillfälliga värden som beräknas i varje omgång måste kunna återställas så att de kan beräknas bort senare. Att reservera minne för det värsta fallet, ett undantagsvärde som uppstår i 35 olika omgångar, skulle kräva 665 qubitar. Claude skrev en höghastighetssimulator och körde 403 miljoner testavkodningar för att mäta hur ofta sådana undantag inträffar. Nästan alla körningar behövde spara högst ett värde, så kretsen reserverar 19 qubitar för ett enda sparat värde.

Ungefär en körning av 10 000 behöver mer än så och misslyckas, vilket enligt inlägget ligger väl inom den felfrekvens som uppgiften tillåter. Inlägget uppger att optimeringarna tillsammans minskade avkodarens antal grindar med en faktor 12 jämfört med Googles tidigare konstruktion, genom förändringar på tre nivåer: metoden, kretsarkitekturen och resursbudgeten.

Begränsningar och framtidsutsikter enligt inlägget

Anthropic uppgav att Claude var försiktig i de tidiga experimenten: den ifrågasatte upprepade gånger förbättringar som verkade lovande, dubbel- och trippelkontrollerade resultat med gott stöd och föredrog befintliga, välkända metoder. Enligt inlägget var försiktigheten ibland värdefull och ledde till Lean-bevisen som verifierade divsteps-konstruktionen. Teamet vidtog två åtgärder: att kräva att Claude föreslog flera kvalitativt olika metoder som utvecklades parallellt, och att ibland uppmana den att bredda sitt sökande.

Inlägget jämför den 150 000-faldiga minskningen av FeMoco, som enligt uppgift tog många forskargrupper åtta år, med den enda 53 timmar långa körningen bakom elliptiskkurvekonstruktionen. Anthropic uppgav att resultaten tyder på att AI kan stödja arbetet med kretsdesign och lyfte möjligheten att AI gemensamt skulle kunna optimera komponenterna i en felkorrigerad kvantdator, från algoritmen ända ned till hårdvaran, för ett specifikt problem. Inlägget tackar Arjun Kar och Vinay Ramasesh för givande diskussioner i projektets tidiga skeden.