Anthropic：Claude 设计出更高效的量子电路，部分门数减少 17 倍
Anthropic 宣布，Claude Mythos 5 设计的量子电路在八个计算原语上超越了此前发表的最佳设计，在某些情况下甚至提升了一个数量级或更多。这些结果之所以重要，是因为电路设计（而非仅靠硬件）推动了历史上量子资源需求的大部分减少，而这些资源是实用算法所必需的——因此更快的电路设计可能使实用量子计算机更近一步。
这项工作由 Andi Gu 领导，作为 Anthropic STEM 研究员计划的一部分，并得到 Anthropic 量子物理学家 Alek Kemeny 的指导，同时与 Susanne Yelin（哈佛大学）和 Mikhail Lukin（哈佛大学和 QuEra Computing）合作。完整论文见 arXiv：arxiv.org/abs/2610.22367。
为什么量子电路设计是一个困难的优化问题
量子计算机将信息存储在量子比特中，量子比特可以由单个原子、超导电路或光粒子构成。量子比特利用叠加态——量子系统同时存在于多种状态组合的能力——来处理化学、材料科学和数论中的某些问题，这些问题对经典计算机来说难以解决。
迄今为止建造的机器只有数百到数千个量子比特，远不足以运行许多承诺实际优势的算法。量子比特对环境噪声（如热、振动和宇宙射线）也非常敏感；小的误差会累积，直到计算机返回错误答案。由于量子比特和计算时间都很稀缺，研究人员一直在努力重新设计量子算法，以使用更少的量子比特并在更短的时间内完成。
量子算法以量子电路的形式实现：即应用于量子比特的门序列。Toffoli 门是最昂贵的门之一，因此计算 Toffoli 门数量是估算计算耗时的标准方法。
典型的例子是 FeMoco，它是固氮酶（细菌将大气中的氮转化为氨所用的酶）核心的铁硫簇。2017 年，研究人员估计，量子计算机需要约 50 万亿个 Toffoli 门来计算 FeMoco 的基态能量。通过一系列算法改进，这一估计已降至约 3.4 亿个门——大约减少了 15 万倍，相当于在未来一台拥有约三百万物理量子比特的机器上运行几个小时。这些减少主要来自电路重新设计，而非更好的硬件。
Anthropic 如何测试 Claude 的电路设计能力
Anthropic 为 Claude 提供了八个电路的通俗语言规格说明，这些电路来自化学、优化、物理模拟和数论领域，并配备了一个自动评估器，用于检查和评分每个设计。Claude 没有被提供现有的已发表电路进行调优。
三个特性使量子电路非常适合该模型：
- 电路可以写成代码。 量子电路是门的序列，因此可以利用 Claude 的编码能力将电路设计编写、运行和修改为普通程序。
- 正确性可以高效验证。 Anthropic 针对的算法类别对每个输入给出一个确定的输出，普通计算机可以验证这一点——因此外部评估程序可以验证 Claude 的提议。
- 有明确的目标分数。 评估器根据量子比特数乘以门数对设计进行评分，这是电路运行时间的代理指标。
Claude Mythos 5 在闭环中工作：它提出电路设计，接收评估程序的反馈和分数，并利用这些反馈改进下一次尝试，轮次之间无需人工输入。在八个计算原语（构建更大量子算法的基本例程）中，Claude 发现了使用更少量子比特和更少门的新设计，优于此前发表的最佳算法。
Anthropic 表示，在每种情况下，改进都来自揭示问题的新结构和数学见解，而非对现有设计的微调。例如，在编译模拟铁硫分子的电路时，Claude 注意到分子的对称性和重复结构意味着某些结果可以计算一次并重复使用，而不是为系统的每个部分重新计算。在其他情况下，它发现现有电路包含昂贵的组件，这些组件仅用于处理极其罕见的输入，因此它重新设计了电路，去掉了这些组件。
塑造量子电路的可逆性约束
量子电路设计施加了普通编程没有的两个约束，两者都使量子电路在运行时间和量子比特数上比经典电路昂贵得多。
首先，量子电路不能像普通程序那样做出“如果-那么”决策。普通程序可以检查一个值并只运行两段代码中的一段。量子计算机同时运行在许多输入的叠加态上，其中一些输入会走第一个分支，另一些会走第二个分支，因此电路每次运行都必须包含两个分支的操作。
其次，量子电路不能丢弃信息。普通程序可以覆盖或删除临时工作；在量子计算机中，中间信息不能简单地被擦除，因为每一步都必须是可逆的。将信息留在原处也不是选项，因为残留的临时工作会破坏最终结果。丢弃信息的唯一方法是“反计算”，即反向运行产生它的计算，代价是增加额外的门。
这迫使在空间（量子比特）和时间之间进行权衡。在一个极端，电路可以在中间结果使用后立即反计算，释放量子比特，但如果以后需要这些结果，则必须重新计算。在另一个极端，电路可以保留中间结果直到不再需要，避免重复工作，但需要更多量子比特。
结果 1：用于模逆的 divsteps 的可逆实现
Anthropic 给 Claude 的第一个任务是点加法——一种在椭圆曲线上组合两个点以产生第三个点的规则。点加法是椭圆曲线上离散对数问题的量子算法的核心步骤：给定一个起点和将其自身相加 n 次的结果，找到 n。对于大曲线，普通计算机无法在合理时间内解决这个问题，但足够大的量子计算机可以。这些加法占此类算法的大部分量子比特和运行时间成本，这就是为什么点加法是标准基准。
Claude 收到一段简短的说明，解释了点加法的数学规则、评估器如何检查每个提议电路的正确性并对其量子比特和门数进行评分，以及指示并行探索几种方法。在 53 小时的工作中，人工输入极少——仅限于初始说明和偶尔提示更广泛思考——Claude 得出了一种全新的方法。
为什么 divsteps 没有实用的量子电路
点加法的大部分成本来自一个称为模逆的步骤。椭圆曲线算术使用在固定极限处回绕的数字；模逆是除法的回绕版本：给定整数 a，找到 x 使得 ax ≡ 1 (mod p)。普通计算机使用称为 divsteps 的方法高效地执行此操作，该方法从一对数字开始，经过多轮迭代反复简化它们，有条件地交换、加、减或减半，同时保留足够的信息以在最后产生模逆。
由于可逆性约束，divsteps 没有产生实用的量子电路。每次迭代中选择哪个操作的记录——称为分支信息——是传统程序可以丢弃的临时工作。量子电路必须保留该记录，以便计算可以反向运行。因此，divsteps 的直接量子版本被迫积累长历史的分支信息，需要大量额外的量子比特。
Claude 的解码方法
Claude 认识到，只有找到绕过存储完整历史的方法，divsteps 才可能适用于量子电路，并提出可能根本不需要存储记录。它推理出分支信息可以直接推断，或“解码”，通过检查每次迭代后的数字对——本质上，数字本身会存储记录，电路可以在没有额外量子比特的情况下反向运行。
早期的候选解码规则在小测试用例上有效，但在完整问题规模（256 位数字）上失败。Claude 随后采取了更理论化的方法：不是猜测和测试规则，而是从数学上理解 divsteps 为何如此行为。它证明了关于迭代过程的一系列结果，包括几个新的代数恒等式，并从这些恒等式中推导出解码规则的精确公式，该公式从数字对中恢复分支信息。它首先通过大规模数值模拟检查公式，然后通过 Lean 形式化验证。结果是第一个没有存储分支历史的 divsteps 可逆实现。
沿帕累托前沿的设计系列
解码节省量子比特但花费时间，因此 Claude 寻找存储分支信息比解码更便宜的情况。通过改变电路存储而非解码的阈值，Claude 产生了一个新的设计系列，跨越两个极端。与之前最小的设计相比，该系列中的一个电路使用多 12% 的量子比特，但门数减少 17 倍。更一般地，新设计扩展了帕累托前沿，提供了以前不可用的量子比特数和运行时间组合。
Anthropic 将其设计与 Schrottenloher（2026）和 Luo 等人（2026）的最佳已发表结果进行比较。
结果 2：用于解码量子干涉测量的解码器成本降低 12 倍
优化问题——调度、物流、材料设计——呈现相互竞争的约束，并要求满足尽可能多的约束的解决方案。已经提出了许多用于此类问题的量子算法，但大多数相对于普通计算机仅承诺适度或不确定的收益。解码量子干涉测量（DQI）是超多项式量子加速的最强候选者之一，这种优势随着问题变大而迅速扩大。
当量子计算机完成计算时，读出其量子比特只产生一个答案，从它们叠加态中持有的可能性中随机选择。DQI 准备一个量子态，其中好解比坏解更可能被读出。这涉及一个纠错解码器，从紧凑摘要中恢复一个简短的“错误”列表。该解码器是算法中最昂贵的步骤，因此更快的解码器使 DQI 更快。
OPI 问题和 Reed–Solomon 解码的成本
引入 DQI 的研究人员在最优多项式交集（OPI）上演示了它，这是曲线拟合的网格版本。想象一个网格，其中每个位置 x 包含几个可接受的 y 值；目标是找到一条简单曲线（低次多项式），尽可能多地通过 x 位置的可接受方块。DQI 使用 Reed–Solomon 解码器解决这个问题。
Reed–Solomon 解码从称为伴随式的错误紧凑摘要开始。解码器从该摘要推断数据中错误发生的位置和内容。先前的量子电路使用扩展欧几里得算法处理伴随式，该算法是一系列除法和交换，其步骤数和顺序取决于特定输入。这里量子约束重新出现：普通程序可以对每个输入遵循不同的路径，但量子电路同时处理许多输入，必须用单个固定门序列处理所有输入。因此，先前的设计必须将计算扩展到比任何单个输入所需的更多轮迭代，并在每一轮中运行每个操作，即使不必要。
Anthropic 引用 Google Quantum AI 研究人员的估计，表明解决一个特定的 OPI 问题在 Frontier（世界上最强大的超级计算机之一）上大约需要三个月，而在运行 DQI 的未来量子计算机上大约需要一小时——其中大部分时间花在 Reed–Solomon 解码上。
用 Berlekamp–Massey 代替扩展欧几里得
被要求设计更高效的解码电路时，Claude 迅速得出结论，扩展欧几里得算法不适合量子电路。它转而围绕 Berlekamp–Massey 解码组织电路，该解码逐个读取伴随式，并逐步找出从先前数字预测列表中每个数字的最简单规则；一旦找到该规则，它就揭示错误。与扩展欧几里得算法不同，Berlekamp–Massey 在每一轮执行相同类型的步骤，并且总是运行相同数量的轮次，这适合量子电路的单个固定门序列。
重建临时值而不是存储它们
切换到 Berlekamp–Massey 消除了对不同输入采用不同路径的需要，但使其可逆再次引入了反计算问题。在每一轮中，电路计算它仅短暂需要的临时值，并且此信息不能简单地删除：为了稍后反计算，电路必须能够恢复它。
存储此信息将非常昂贵，因此 Claude 采用了与 divsteps 相同的方法：它找到了一种从电路当前状态重建大部分信息的方法。少数例外值无法以这种方式恢复，必须保存。为最坏情况（例外值出现在 35 个不同轮次中）留出足够内存将需要 665 个量子比特。相反，Claude 编写了一个高速模拟器，并运行了 4.03 亿次样本解码，以测量例外实际发生的频率。几乎每次运行最多需要保存一个值，因此 Claude 的电路只为一个保存值留出空间，即 19 个量子比特。大约每 10,000 次运行中有一次需要更多并失败，Anthropic 表示这远在任务允许的错误率之内。
这些优化共同将解码器中的门数相对于 Google 先前的构造减少了 12 倍。Anthropic 将改进归因于在三个层面重新设计计算：不同的方法（Berlekamp–Massey 代替扩展欧几里得算法）、不同的电路架构（重建临时值而不是存储它们）以及不同的资源预算（精确测量电路实际需要多少内存和计算）。没有单一更改本身是足够的。
Anthropic 对 Claude 行为的了解
Anthropic 将结果描述为科学进步中更广泛模式的例子：通过使过程足够快速和廉价，将理论想法变为实际。FeMoco 估计的 15 万倍下降花费了多个研究小组八年的时间，每一步通常代表数月的工作。相比之下，Claude 的椭圆曲线设计来自一次 53 小时的运行。
Anthropic 也报告了局限性。在早期实验中，Claude 天生保守：它反复质疑明显的改进，有时甚至继续双重甚至三重检查已经得到充分支持的结果。这种谨慎有时很有价值——它促使 Claude 编写 Lean 证明来验证其 divsteps 设计——但也表现为倾向于选择现有的、众所周知的方法，而不是更新颖的方法。
Anthropic 采取了两步缓解措施：
- 设置要求 Claude 提出几种定性不同的方法并并行开发。
- Anthropic 偶尔提示 Claude 扩大搜索范围。
这些干预成功让 Claude 追求更大胆的想法。椭圆曲线结果不是通过削减现有设计的门数获得的，而是通过探索以前不可能的可逆模逆方法，然后推导出使其实用所需的数学结果。一旦有了想法，Claude 自主开发了该方法，实现了它，并验证了其正确性。
结果对容错量子计算的意义
Anthropic 指出，电路设计只是构建有用量子计算机的一部分。由于量子比特非常脆弱，机器必须在运行时捕获并修复自己的错误，这依赖于许多其他组件：纠错码、快速解码器和硬件本身的控制。这些组件都相互影响，但为了管理复杂性，每个组件通常单独设计。
许多这些组件具有使电路设计适合 Claude 的特性：设计可以写成代码，检查正确性，并按成本评分。Anthropic 提出了一种可能性，即 AI 可以联合优化所有这些组件，从算法到硬件，构建一个针对特定问题定制的完整纠错量子计算机。这样的设计还可以告诉硬件构建者哪些能力对给定应用最重要——Anthropic 建议这可以使设计催化剂和理解新材料等问题在第一批容错机器的能力范围内。