Anthropic称Claude击败已发表的最佳量子电路设计

Anthropic在2026年10月16日发布的一篇研究文章中报告称，其Claude Mythos 5模型在与自动评估器形成闭环、且基本独立完成工作的情况下，为八种计算基本操作设计了量子电路，性能超过此前发表的最佳电路，部分情况下提升了一个数量级甚至更多。

这些基本操作是构建更大型量子算法的基础程序，涵盖化学、优化、量子模拟、数论和数值计算。Andi Gu作为Anthropic STEM Fellows Program的一员领导了这项工作，并由Anthropic量子物理学家Alek Kemeny指导；此外，项目还与哈佛大学的Susanne Yelin，以及哈佛大学和QuEra Computing的Mikhail Lukin合作开展。

一篇配套论文《利用大型语言模型发现先进量子电路》于2026年10月15日由Gu、Kemeny、Yelin和Lukin提交至arXiv，共46页，包含10幅图和6张表。摘要介绍了一种进化式框架：大型语言模型提出电路设计，再由独立评估器进行验证和评分。摘要称，在八项任务中，有七项任务发现的电路相较于当前最先进水平，Toffoli门数量和量子比特数量均显著减少；第八项任务则产生了一种新的素数域模逆运算可逆架构。

闭环设计任务

Anthropic表示，Claude有三个方面特别适合这项工作。量子电路可以写成普通代码，因此模型能够像处理程序一样编写、运行和修改设计。目标算法类别也能高效地进行正确性测试，因为每个输入都对应一个确定的输出，传统计算机可以对其进行检查。此外，评分指标——量子比特数乘以门数——提供了一个客观目标，可作为电路运行时间的近似衡量。Claude Mythos 5在这一闭环中用Python提出设计方案，从评估程序获得正确性反馈和评分，再据此修改；每轮之间都没有人工输入。

文章介绍了量子电路与普通程序的两项区别性限制。电路无法进行“如果—那么”式判断，因为它会同时在多个输入的叠加态上运行，每次运行都必须包含所有路径所需的操作。电路也不能丢弃信息，因为每一步都必须可逆；中间结果必须存储起来，或者通过反向执行生成它们的计算来“反计算”，而这会增加门数。这两项限制共同造成了量子比特数量与运行时间之间的权衡。

文章以电路重新设计能够带来的效果为例，回顾了模拟FeMoco的成本估算。FeMoco是固氮酶核心处的铁硫簇；这种酶能帮助细菌将空气中的氮转化为氨。2017年，研究人员估计，计算FeMoco的基态能量需要约50万亿个Toffoli门。Toffoli门是运行成本最高的门类型之一，因此也是估算量子计算所需时间的常用标准。

一系列算法进展将同一54轨道模型的估算门数降至约3.4亿，减少了约15万倍。文章称，这相当于未来一台拥有约300万个物理量子比特的机器只需数小时即可完成计算。如今的量子计算机只有数百到数千个量子比特，而且这些量子比特对环境噪声非常敏感。

一种可逆模逆算法

文章详细介绍的第一个发现涉及点加法：将椭圆曲线上的两个点合并、生成第三个点的规则。点加法是椭圆曲线离散对数问题量子算法中的核心步骤，也是该领域的标准基准问题之一；其成本大部分来自一个单独步骤——模逆运算，也就是椭圆曲线算术中使用的循环式除法。Anthropic报告称，Claude收到了一份一段话的简要说明，其中解释了数学规则，以及评估器将如何检查和评估每种设计。随后，它在仅有极少人工输入的情况下工作了53小时：输入仅限于这份说明，以及偶尔要求它拓宽思路的提示。最终，它提出了一种全新的方法。

经典计算机可以使用一种称为divsteps的方法高效地执行模逆运算，但这种方法此前未能产生实用的量子电路。可逆性要求电路保留每次迭代所选操作的记录，即所谓的分支信息；存储这段历史需要大量额外的量子比特。Claude推理认为，这些记录或许根本不必存储，因为可以通过检查每次迭代后的两个数来解码分支信息。

早期提出的解码规则在小型测试案例中有效，却无法应对完整的256位问题规模。随后，Claude证明了一系列关于该迭代过程的结果，其中包括若干新的代数恒等式；它推导出精确的解码公式，在大规模数值模拟中进行了验证，并用Lean对这一论断进行了形式化验证。验证完成后，它提出了一种新的方案。Anthropic称，这是首个不存储分支历史的divsteps可逆实现。

由于解码可以节省量子比特，但会耗费时间，Claude调整了电路存储分支信息而非对其进行解码的阈值，由此生成了一系列介于两个极端之间的设计。其中一种电路使用的量子比特多12%，但门数比此前最小的设计少17倍。文章指出，这些新设计拓展了量子比特数量与运行时间组合之间的帕累托前沿。文章列出的最佳已发表设计是Schrottenloher（2026）和Luo等人（2026）的设计。

量子优化解码器成本降低12倍

第二项发现与解码量子干涉测量（DQI）有关。文章称，DQI是实现超多项式量子加速的最有力候选方案之一。该算法中最耗费资源的步骤是纠错解码器；提出DQI的研究人员使用Reed–Solomon解码器，在最优多项式交点（OPI）问题上展示了该算法。OPI是一种基于网格的曲线拟合问题。文章援引Google Quantum AI研究人员的估算指出，求解某个特定OPI问题，使用Frontier超级计算机约需三个月，而未来运行DQI的量子计算机约需一小时；这一个小时中的大部分时间将用于Reed–Solomon解码。

此前最先进的电路使用扩展欧几里得算法处理综合征（对错误的简明概括）；该算法的步骤数量和顺序取决于输入。由于量子电路要通过一套固定的门序列处理多个输入，这种设计必须将计算延展到比任何单个输入所需轮数都更多的轮次，并在每一轮执行所有操作。Claude则围绕Berlekamp–Massey解码来设计电路；这种解码在每一轮执行相同类型的步骤，且始终运行相同的轮数。

要使这种方法可逆，就会产生存储问题：每一轮计算出的临时值必须能够恢复，以便之后撤销计算；如果要为最坏情况预留内存——也就是在35个不同轮次中出现的异常值——就需要665个量子比特。Claude编写了一款高速模拟器，并运行了4.03亿次抽样解码，以测量这类异常出现的频率；几乎每次运行最多只需保存一个值，因此电路为保存单个值预留了19个量子比特。

大约每1万次运行中有1次需要保存超过一个值，因此会失败；文章指出，这完全在任务允许的错误率范围内。文章称，这些优化合在一起，使解码器的门数相较于Google此前的构造减少了12倍，改进涉及三个层面：方法、电路架构和资源预算。

局限与未来展望

Anthropic报告称，在早期实验中，Claude表现得较为谨慎：它会反复质疑看似明显的改进，对证据充分的结果反复核查两三遍，并倾向于采用现有的知名方法。文章指出，这种谨慎有时很有价值，也促使团队通过Lean证明验证了divsteps设计。团队采取了两项缓解措施：要求Claude并行提出若干在定性上各不相同的方法；并不时提示它扩大搜索范围。

文章将FeMoco问题缩减150,000倍的成果与椭圆曲线设计背后的一次53小时运行作对比；据称，前一项成果是许多研究团队历时八年才取得的。Anthropic表示，这些结果表明，AI能够辅助电路设计工作；文章还提出一种可能性：AI可以针对特定问题，协同优化容错量子计算机的各个组成部分，从算法一直到硬件。文章感谢Arjun Kar和Vinay Ramasesh在项目早期阶段提供的宝贵讨论。