Anthropic 研究：利用 Claude 设计更高效的量子电路

通过 AI 进行量子电路优化

Anthropic 已经证明，AI 模型可以自主优化量子电路，实现超越以往发表设计的效率提升。通过为 Claude 提供简单的语言规范和自动验证循环，研究人员使该模型能够重新设计八种量子计算原语，在某些情况下将资源需求降低了一个数量级以上。这种方法表明，AI 可以通过提高复杂算法在有限硬件上的效率，从而加速实用量子计算的进程。

可逆量子电路的挑战

量子电路设计受到可逆性要求的限制，这与经典编程有显著不同。由于量子系统在不破坏状态的情况下无法丢弃信息，中间结果要么必须存储（消耗宝贵的量子比特），要么必须通过反向运行逻辑来“反计算”，这会增加门计数和运行时间。在空间（量子比特）和时间（门）之间找到最佳平衡是量子算法开发的主要瓶颈。

自动化优化循环

Claude Mythos 5 被委派优化化学、数论和优化等领域的八种量子原语。研究人员利用了一个闭环系统，其中 Claude 使用 Python 提出电路设计，然后由外部评估器验证其正确性并进行评分。Claude 利用这些反馈在没有人工干预的情况下迭代改进其设计。

主要发现包括：

• 模逆运算 (Modular Inversion)： Claude 开发了一种新的“divsteps”算法可逆实现。通过数学推导直接从数值对中解码分支信息的方法，它消除了存储完整操作历史的需要，从而节省了大量的量子比特空间。
• 里德-所罗门解码 (Reed–Solomon Decoding)： 对于量子优化，Claude 用 Berlekamp–Massey 方法取代了扩展欧几里得算法。它通过重建临时值而不是存储它们来进一步优化电路，与之前的结构相比，门计数减少了 12 倍。

见解与局限性

虽然 Claude 展示了发现新颖结构和数学见解的能力（例如识别硫化铁分子中的对称性以避免冗余计算），但它最初表现出倾向于保守、众所周知的方法。研究人员通过要求模型并行探索多种性质不同的设计，并偶尔提示它扩大搜索范围来缓解这一问题。

Hacker News 上的社区讨论强调了这些优化的技术性质，一些用户指出，这个过程类似于量子汇编语言的“代码高尔夫 (code golf)”。其他人则强调，LLM 在闭环验证环境中运行的能力是其在此类任务中取得成功的关键因素。尽管对该研究的框架存在一些怀疑，但结果强调了 AI 在未来容错量子系统的算法和硬件联合优化方面提供辅助的潜力。