Anthropic最新研究揭示，仅需一段文字说明，Claude模型在无人工干预的情况下独立运行53小时，成功改写了由人类顶尖科学家设计的量子电路。其提交的设计方案在效率上全面超越现有顶尖成果，部分任务电路效率提升超一个数量级。
该研究由Anthropic研究员Andi Gu主导，量子物理学家Alek Kemeny指导，并联合哈佛大学Susanne Yelin及QuEra Computing的Mikhail Lukin共同完成。完整论文已发布在arXiv平台。
人类耗时8年的工作，AI仅用53小时
当前量子计算机面临的主要瓶颈在于硬件局限：量子比特数量有限且极易受热、震动及宇宙射线干扰。为弥补硬件不足，科学家致力于优化算法，以减少量子比特占用并缩短运行时间。
以模拟固氮酶核心铁硫簇FeMoco为例，2017年估算需运行约50万亿个Toffoli门。经过全球顶尖团队8年接力优化，该数值降至3.4亿个门，降幅达15万倍。然而，即便在未来拥有300万物理量子比特的超级机器上，计算仍需数小时。
此次实验中，基于Claude Mythos 5模型，AI将这一过程压缩至53小时。研究人员将化学、优化、物理模拟和数论领域的8个核心量子计算程序转化为纯文字需求，配合自动打分程序，让AI在封闭环境中自主迭代。最终，AI在全部8个关键模块中，均给出了比已发表最优算法更节省量子比特和量子门的电路设计。
AI并未沿袭人类“修修补补”的路径，而是在理解底层数学结构后，推翻了原有基础设计。
推导数学定理，突破可逆计算瓶颈
首个突破点在于椭圆曲线离散对数问题的核心步骤——点加法中的“模反转”。传统计算机常用的divsteps算法因依赖条件分支（if-else）且无法直接丢弃中间数据，难以适配量子电路。
量子计算要求每一步操作必须可逆，若直接擦除中间数据将破坏计算结果，因此必须通过“撤销计算”来清空临时数据。这导致传统算法在量子化时需存储庞大的分支历史记录，消耗惊人数量的量子比特。
Claude提出创新设想：无需存储历史记录，而是通过当前数字对的数学痕迹反推分支路径。在初期简单规则失效后，AI转向理论推导，证明了一系列代数恒等式，并利用形式化证明语言Lean完成了严格验证。
最终，Claude开发出全球首个无需额外存储历史分支记录的可逆divsteps算法。通过平衡存储与解码成本，其中一套方案仅增加12%的量子比特，便使量子门数量降至原最小设计的十七分之一。
捕捉万分之一概率，大幅削减谷歌记录
另一项重大突破发生在量子优化算法DQI的核心步骤——Reed–Solomon纠错解码。谷歌此前方案采用扩展欧几里得算法，虽在传统机器上灵活，但在量子电路中因需兼容所有可能步数而显得冗余。
Claude摒弃原有架构，改用步骤固定、天生适配量子电路线性执行模式的Berlekamp–Massey算法。针对随之而来的临时数据存储难题，AI通过4.03亿次采样测试发现，极端情况出现概率极低，绝大多数运算仅需少量中间值存储。
基于此统计规律，Claude调整策略，不再为极端情况预留大量冗余，仅保留19个量子比特。尽管存在约万分之一的报错概率，但完全处于算法允许误差范围内。经此三项改动，解码器所需的量子门数量直接减少了12倍。
AI主导算法至硬件的全链路设计已成趋势
早期测试中，Claude表现保守，倾向于复用人类成熟方案并反复核验。研究团队通过强制其提出多条差异化路径并适时引导，激发了AI推导全新数学公式的潜力。
当前量子开发痛点在于纠错码、解码器与物理硬件控制高度耦合，人类科学家往往只能分模块独立设计。既然底层逻辑可转化为代码并通过分数验证，这恰在AI能力范围内。
未来，AI不仅限于优化单一电路，更有望将算法、容错机制与底层硬件串联，为特定分子模拟或材料研发定制专用量子计算机，实现从算法到硬件的全链路自动化设计。
--end--