Anthropic 把 Claude 扔去设计量子线路：53小时干完人类八年级别的优化，最好成绩便宜一个数量级

先看一个数字感受一下这个领域推进有多难。

FeMoco 是固氮酶核心的铁硫簇，搞清楚它的基态能量，可能帮人类设计出更好的工业催化剂。2017 年，研究者估算量子计算机算它需要约 50 万亿个 Toffoli 门。经过八年、多个研究组的接力优化，这个数字降到了约 3.4 亿，削掉了 15 万倍。

注意，这 15 万倍几乎全部来自重新设计线路，不是硬件进步。

10 月 16 日，Anthropic 发了篇报告：他们让 Claude Mythos 5 干这个活，给八个来自化学、优化、物理模拟、数论的量子线路设计任务，配一个自动评分器，然后基本撒手。结果 Claude 在全部八个任务上都找到了比已发表最优方案更好的设计，有几个好出一个数量级以上。其中椭圆曲线点加法这个标准基准，Claude 一轮连续跑了 53 小时就拿下了。

这篇我读了两遍，因为两个案例的技术细节确实漂亮。下面拆开讲。

一、为什么这活特别适合 Claude

量子线路设计有三个性质，刚好全部命中 AI 的舒适区：

第一，线路可以用代码描述，写线路就是写程序，Claude 可以像普通开发一样写、跑、改。第二，这类量子算法可以被高效验证，每个输入有确定输出，普通计算机就能检查对错，于是可以架一个外部评分器程序。第三，目标函数极其干净：量子比特数乘以门数，就是运行成本的代理。

▲ 闭环工作流：Claude 用 Python 写线路 → 评分器验证正确性并按量子比特和门数打分 → 反馈给 Claude 继续改（图源：Anthropic 原文，下同）

于是整个流程变成了一个无人值守的优化循环：提方案、拿分数、改进、再提。两轮之间不需要人。

总成绩单长这样，七个面板，灰叉是此前最佳发表方案，橙点是 Claude 的设计：

▲ 横轴量子比特数，纵轴 Toffoli 门数。注意好几个面板的坐标轴是对数刻度，橙点和灰叉之间隔着数量级

原文特意强调：这些改进不是微调现有设计磨出来的，每一个都来自对问题结构的新洞察。比如模拟硫化铁分子时，Claude 发现分子的对称性和重复结构意味着有些结果算一次就能复用，不用每个部分重算。

二、先理解量子编程的两个"紧箍咒"

要看懂后面两个案例妙在哪，得先知道量子线路比普通程序难在哪。两条约束：

不能 if-then。普通程序可以检查一个值，然后只跑两个分支之一。量子计算机同时运行在大量输入的叠加态上，有些输入要走分支 A，有些要走分支 B，所以两个分支的操作每次都得全部排进线路里。

不能丢草稿。普通程序算完中间结果随手就删了。量子线路每一步必须可逆，中间信息不能直接擦，留在原地又会污染最终结果。唯一的"删除"方式是 uncompute：把产生它的计算倒着跑一遍，代价是额外的门。

这两条逼出了一个空间和时间之间的残酷权衡：中间结果用完立刻反算，省量子比特但费门；一直留着，省门但费量子比特。量子线路设计的精髓，全在这个权衡里腾挪。

三、案例一：给 divsteps 做"无记忆"可逆化

第一个任务是椭圆曲线点加法，量子算法解椭圆曲线离散对数问题的核心步骤，也是这个领域的标准 Benchmark。点加法的大部分成本来自一步叫模逆的运算，就是回绕算术里的除法。

经典计算机做模逆有个好方法叫 divsteps：从一对数开始，迭代很多轮，每轮看当前数值，有条件地交换、加减或减半。问题恰恰出在"有条件"这三个字上。每轮选了哪个操作，这个分支记录在经典程序里是随手扔掉的草稿，但在量子线路里必须完整保留，否则没法倒着跑。直接翻译 divsteps，就得攒下一整条分支历史，吃掉海量量子比特。

Claude 的判断是：divsteps 有前途，但前提是甩掉历史记录。它的想法很大胆：历史也许根本不用存，只要每轮结束后仔细看那对数字本身，就能把当时选了哪个分支反推出来。数字本身就是记录。

它先试了一批简单的候选解码规则，小样本能跑，一到 256 位的真实规模全挂。然后它换了打法：不猜了，去研究 divsteps 迭代过程的数学本质，证明了一串新结果，包括几个新的代数恒等式，再从中推出精确的解码公式。验证也做得一丝不苟：先大规模数值模拟，再用 Lean 定理证明器把命题形式化。

最终产物：史上第一个不存分支历史的可逆 divsteps 实现。

还没完。解码省空间但费时间，Claude 于是又去找"存还是解码"的最优切换点，调阈值产出了一整族设计。其中一款比此前最小设计多用 12% 的量子比特，但门数少了 17 倍。整个帕累托前沿被往外推了，出现了以前不存在的"量子比特数 × 运行时间"组合：

▲ 点加法资源对比表。加粗两行是 Claude 的设计：divsteps 版 935 量子比特（此前最小 1446），特化欧几里得版 2100 万门（此前同类最佳 7000 万）

四、案例二：把 DQI 最贵的步骤打 12 折

第二个案例更直接地连着应用。Decoded Quantum Interferometry（DQI）是目前最有希望给出超多项式级量子加速的优化算法之一。Google Quantum AI 的研究者估算过：某个 OPI（最优多项式交集，一种网格版曲线拟合）问题，在 Frontier 超算上要跑约三个月，未来量子计算机跑 DQI 大概一小时，而这一小时的大头花在 Reed-Solomon 解码上。

▲ OPI 问题示意：每列有几个可接受的值，找一条低次多项式曲线穿过尽可能多的格子

此前的最优量子线路用扩展欧几里得算法处理校验子。这个算法的步数和顺序随输入变化，经典程序无所谓，量子线路却必须用一条固定门序列覆盖所有输入，于是只能把计算拉长到任何输入都用不到的轮数，每轮跑满所有操作。两个紧箍咒一起发作。

Claude 的三层重构：

换算法。它很快判定扩展欧几里得天生不适合量子化，改用 Berlekamp-Massey 解码，每轮做同样的操作、轮数恒定，正好契合量子线路的固定序列。

换架构。可逆化又带出草稿存储问题，它复用案例一的思路：大部分临时值不存，从当前状态重建。

换预算。有少数异常值没法重建必须存。按最坏情况预留要 665 个量子比特。Claude 写了个高速模拟器跑了 4.03 亿次采样解码，发现几乎每次最多只需要存一个值。于是线路只留 19 个量子比特的位置。大约万分之一的几率不够用而失败，远在任务允许的误差之内。

▲ 三种设计按比例绘制：(a) 旧设计 190 万 Toffoli 门；(b) 朴素可逆版要存 840 量子比特历史；(c) Claude 版只留 19 量子比特，门数同为 14.1 万

三层叠加，解码器门数比 Google 此前的构造少了 12 倍。DQI 最贵的步骤，就这么便宜了一个数量级。

五、一个诚实的细节：Claude 太保守了

报告里有段失败观察我觉得比成功更值钱。

早期实验里，Claude 天性保守。明显的改进它要反复自我怀疑，已经证据充分的结论还要 double-check、triple-check。这种谨慎偶尔有用，比如它主动写 Lean 证明验证 divsteps 设计，但更多时候表现为偏好现成的知名方法，不愿碰新路子。

研究者用了两招纠正：一是强制它并行提出多条性质不同的路线同时推进；二是偶尔人工提示"往更宽处想"。椭圆曲线那个突破就是这么来的，不是从旧设计上削门数，而是探索了一种此前不可能的可逆模逆方法，再自己把所需的数学结果推导出来。

这其实是个通用教训：AI 做科研时，"探索宽度"目前还需要人来兜底。

六、我的几点想法

第一，这个工作最该被注意的不是"快"，而是验证闭环的干净程度。线路即代码、正确性可机检、成本有标量分数，这三个条件凑齐，AI 的长时程自主性才真正发挥出来。53 小时无人值守跑出超越人类的设计，前提是每一轮反馈都可信。哪个领域能凑齐这三个条件，哪个领域就是下一个。

第二，注意改进的来源分层：换算法、换架构、换预算，三个层次各贡献一部分，缺一个都到不了 12 倍。这种"在多抽象层级同时重构"的能力，是人类专家最耗时的部分，也恰好是长程 agent 的强项。

第三，对量子计算本身，文章结尾的展望值得当真：纠错码、解码器、硬件控制这些组件历来分开设计，但它们和线路设计共享同样三个性质。如果 AI 能从算法到硬件联合优化一整台容错量子计算机，"实用量子计算还有多少年"这个问题的答案可能要重估。

第四，留个心眼：这些结果都是"设计层面"的胜利，距离真机运行还隔着纠错、硬件良率等一堆大山。但 FeMoco 那 15 万倍已经证明了一件事，在量子计算里，线路设计本身就是最大的杠杆之一。现在这个杠杆交给 AI 了。

参考：Anthropic Science, "Designing more efficient quantum circuits with Claude", 2026-10-16；完整论文见 arXiv。文中数据与图表来自原文，图片版权归 Anthropic 所有。