10 个关键问题 Q&A
- 本次研究核心目标是什么？
让 Claude 仅凭自然语言描述，自主设计、迭代并优化量子电路，验证大模型能否突破现有量子电路设计水平。 - Claude 优化量子电路采用什么工作模式？
闭环自主迭代：Claude 输出 Python 电路代码，评估器校验正确性并按量子资源打分，反馈回模型继续优化，轮次间无需人工干预。 - 电路好坏用什么指标评估？
量子比特数量 × 量子门数量，作为电路运行开销的代理指标。 - Claude 的优化是微调旧电路吗？
不是。它挖掘新数学结构、推导代数恒等式，创造全新算法架构，不是简单删减原有电路的量子门。 - 第一个重大成果是什么？
椭圆曲线点加法所用的可逆 Divsteps 模逆算法，无需存储完整分支历史，节省大量量子比特，生成一组帕累托最优方案。 - DQI 解码器优化取得什么效果？
用 Berlekamp–Massey 替代扩展欧几里得算法，结合统计方法减少存储开销，解码器量子门数量降低 12 倍。 - 量子电路设计有哪两个核心约束？
①无法像经典程序一样条件分支；②计算必须可逆，不能直接删除中间信息，需要反计算 (uncompute)。 - Claude 存在什么短板？
模型天然保守，容易重复校验，更偏好已知成熟方案，较难主动提出颠覆性新思路。 - 研究者如何解决 Claude 保守的问题？
要求并行探索多种本质不同方案，辅以提示词引导模型扩大搜索范围。 - 这项研究长远意义是什么？
证明 AI 可独立完成量子电路数学推理、实现与形式验证，极大缩短研发周期；未来有望实现算法到硬件的整机联合优化，加速容错量子计算机落地。
附录 借助 Claude 设计更高效率的量子电路
2026 年 10 月 16 日 量子计算机需要精心设计的电路，才能在有限硬件上运行具备实用价值的算法。我们向 Claude 提供了 8 种量子电路的纯自然语言规格说明，这些电路来自化学、优化、物理模拟与数论领域；同时配套一套自动评估程序，用于校验、打分每一种电路方案。在基本无人干预的情况下，Claude 找到的电路设计超越了已发表最优成果，部分场景性能提升一个数量级甚至更多。这类优化大幅降低了实用应用所需的量子资源，这意味着实用量子计算机的落地时间可能比此前预期更早。
本研究由安迪・古（Andi Gu）主导，属于 Anthropic 的 STEM 学者项目；由 Anthropic 量子物理学家阿莱克・凯梅尼（Alek Kemeny）担任指导，并与哈佛大学的苏珊娜・耶林（Susanne Yelin）、哈佛大学与 QuEra Computing 的米哈伊尔・卢金（Mikhail Lukin）合作完成。论文：https://arxiv.org/abs/2610.22367
经典计算机用比特存储信息，比特取值只能是 0 或 1；而量子计算机使用量子比特（qubit），可由单原子、超导电路或光子构建。量子比特依托叠加态等量子现象 —— 量子系统可以同时处于多种状态的叠加组合 —— 从而以全新方式处理信息，让化学、材料科学、数论中的部分难题有望得到求解，而这类问题是传统计算机难以处理的。
目前业界已造出的量子计算机仅有数百到数千个量子比特，数量不足以运行很多具备超越经典计算机潜力的算法。并且量子比特极易受环境噪声影响，比如热量、振动，甚至宇宙射线。微小扰动就会改变量子比特状态，这类微小错误不断累积，最终让计算机输出错误结果。
量子比特与计算时长都是稀缺资源，因此研究人员一直在重新设计量子算法，目标是使用更少量子比特、用更短时间完成计算。一个典型例子是模拟固氮酶核心的铁硫簇 ——FeMoco。理解它的工作原理，有助于科学家研发更先进的工业催化剂，也就是制造业用来加速化学反应的物质。
2017 年，研究者估算：用量子计算机计算 FeMoco 的基态能量（最稳定构型对应的能量，化学家需要该数值来预测 FeMoco 的反应特性），大约需要50 万亿个托佛利门（Toffoli gate）。（和普通计算机类似，量子计算机通过对量子比特执行一长串基础操作 —— 量子门 —— 来完成计算。托佛利门是运行成本最高的量子门之一，因此统计托佛利门数量是估算计算耗时的标准方法。）
经过一系列算法改进，所需量子门数量已经降至约 3.4 亿，缩减幅度约 15 万倍；对应未来一台约 300 万物理量子比特的机器，只需要数小时就能完成该计算。
这类性能提升，主要来自重新设计计算电路，而非硬件升级。Claude 在优化任务上已展现很强能力，因此我们想测试：如果只给 Claude 纯自然语言描述电路的计算目标，它能否同样优化量子算法。
Claude 非常适合这项任务，原因有三点： 第一，量子算法以量子电路形式实现，由一系列量子门（如前文的托佛利门）组成。关键在于，电路可以写成代码，因此能利用 Claude 的代码能力编写、运行、迭代修改电路，像普通程序一样。 第二，我们重点优化的这一类（应用广泛的）量子算法，可以高效校验正确性：每组输入都对应确定输出，经典计算机就可以核验。这就可以用外部评估程序验证 Claude 提出的方案。 第三，我们可以给 Claude 一个清晰、客观的优化指标：量子比特数量 × 量子门数量，作为电路运行耗时的代理评价指标。
我们发现，Claude Mythos 5 可以在闭环流程中自主工作：提出电路方案，接收评估程序返回的反馈与分数，利用反馈迭代下一轮方案，轮次之间无需人工输入（见图 1）。针对化学、优化、量子模拟、数论与数值计算领域的 8 个计算原语（构建大型量子算法的基础子程序），Claude 发现了全新方案，相比此前已发表最优算法，同时减少了量子比特用量和量子门数量（见图 2）。
每一项改进，都源于对问题挖掘出新的结构与数学洞见，而不是微调已有方案。举例来说，在编译用于模拟硫化铁分子的电路时，Claude 注意到分子的对称性与重复结构：部分计算结果只需要算一次，就能复用，不必在系统每个部分重复计算。另一些场景中，它发现原有电路包含高成本组件，仅用于处理极其罕见的输入；Claude 直接重新设计电路，去掉了这部分组件。
下文介绍 Claude 的两项重要成果。第一项是实现模逆运算的新方法，模逆是椭圆曲线计算中成本最高的步骤；第二项将一款顶尖量子优化算法中开销最大步骤的成本降低约 12 倍。
这些结果表明，AI 现在已经能够辅助量子电路的重新设计，这是让量子算法更快、更容易部署的关键一步。电路设计效率提升，有望让量子计算机的目标问题 —— 研发新药、高性能电池、更清洁的化肥制备工艺 —— 更早落地。
图 1：闭环量子电路优化。Claude 用 Python 编写新的电路实现，提交给程序化评估器。评估器校验方案正确性，再基于所需量子比特、量子门打分。评估结果回传给 Claude，由它改进实现。图中代码与数值仅为示例。 图 2：Claude 为 8 项量子电路设计任务，得到规模更小、速度更快的电路。灰色标记代表此前已发表最优方案；橙色标记与连线代表 Claude 的方案。第八项任务 “点加法” 的对比见表 1。
一种全新可逆算法
设计量子电路，存在普通编程没有的两大约束。 第一，量子电路不能像普通程序那样执行 “if-then” 条件分支判断。普通程序读取数值后，可以只执行两段代码中的一支。但量子计算机同时处理大量输入的叠加态：一部分输入会走第一段代码，另一部分走第二段。因此量子电路每次运行，都必须包含两条分支对应的全部操作。
第二，量子电路不能丢弃信息。普通程序完成计算后，可以覆盖或删除临时中间结果；但量子计算机中，中间信息不能简单擦除，因为量子电路每一步运算都必须可逆。直接保留这些临时信息也不可行，残留的中间数据会污染最终结果。唯一 “丢弃信息” 的办法，是反向运行生成该信息的计算过程以反计算（uncompute），代价是额外增加量子门。 这两项约束，让量子电路无论在运行时间还是量子比特消耗上，都远高于对应的经典程序。
该约束带来了量子比特空间（量子比特数量）与计算时间之间艰难的取舍。
-
一端：一旦使用完中间结果，立刻执行反计算释放量子比特。这节省量子比特，但后续如果再次需要该结果，电路必须重新计算，增加量子门数量，拉长运行时间。 -
另一端：保留中间结果直到不再需要。避免重复计算，但会消耗大量量子比特。
这正是量子电路设计非常适合测试 Claude 能力的原因：电路可以写成普通代码，但优化它，要求模型在一套和常规编程完全不同的约束下做推理。
第一项高难度测试：模逆运算
交给 Claude 的第一项任务是点加法：在数学曲线（椭圆曲线）上，将两个点合并得到第三个点的运算规则。点加法是椭圆曲线离散对数问题量子算法的核心步骤：给定起点，以及该点自加 n 次后的结果，反求 n。对于大曲线，经典计算机无法在合理时间求解，但足够大规模的量子计算机可以完成。
这类算法会反复执行点加法（包括反向执行），点加法占据绝大部分量子比特开销与运行耗时。这类正向容易计算、逆向极难求解的问题，是最早证明量子计算机相对经典计算机拥有指数级加速的场景之一。正因如此，点加法成为本领域标准基准测试，对 Claude 构成严苛考验。我们让 Claude 探索点加法所需的最小量子比特与量子门数量。
我们给 Claude 一段一页纸的任务说明，写明点加法的数学规则，评估器如何校验电路正确性、如何基于量子比特和量子门打分，并指示 Claude 并行探索多种方案。在仅依赖初始任务说明、偶尔提示它拓宽思路，几乎零人工干预的情况下，Claude 连续运行 53 小时，提出了一套全新求解思路。
Divsteps 算法的记忆痛点
点加法的大部分开销，来自一个子步骤：模逆运算。椭圆曲线算术使用模有限值的数字：数字到达上限后循环回绕。模逆就是模版本的除法：给定整数 a，找到 x，满足 ax ≡ 1 (mod p)。经典计算机可以用 Divsteps 算法高效完成该运算。Divsteps 从一对数字出发，经过多轮迭代反复化简；每一轮检查当前数字对，有条件地交换、加减或折半，全程保留刚好足够信息，最终算出模逆。
尽管 Divsteps 在经典计算机上效果很好，但一直没有实用的量子电路实现，根源就是前面提到的可逆约束。每一轮迭代选择了哪种操作，对应的记录叫做分支信息，这类临时草稿数据，经典程序可以直接丢弃。而量子电路必须保留该记录，才能反向执行计算。因此直接把 Divsteps 移植到量子电路，必须保存一长串分支历史，需要海量额外量子比特存储。
Claude 如何解决记忆难题
Claude 意识到 Divsteps 算法具备量子电路应用潜力，但前提是找到办法，不必存储完整历史记录。它提出猜想：或许根本不需要存储这份记录。Claude 推理，可以在每一轮迭代后，通过仔细检查这对数字，直接推断（解码）分支信息。本质上，数字本身就承载了记录。电路不需要额外量子比特，就能反向执行。
为验证猜想，Claude 尝试了多条简单解码候选规则。这些规则在小规模测试样例中有效，但在 256 位大数的完整问题上测试时失败。
随后 Claude 转向更理论化的方法：不再试错猜测规则，而是从数学层面理解 Divsteps 的内在行为。它证明了一系列关于迭代过程的结论，包括若干全新代数恒等式。基于这些恒等式，Claude 推导出精确的解码公式，可以从数字对中正确恢复分支信息。之后它先通过大规模数值模拟验证公式，再用 Lean 形式化证明该结论。整套验证完成后，Claude 实现了首个不存储分支历史的可逆 Divsteps 算法。
一整套可取舍的设计方案
解码节省量子比特，但会增加时间开销。作为进一步优化，Claude 寻找边界场景：某些情况下，存储分支信息反而比解码成本更低。通过调整阈值，决定何时存储、何时解码分支信息，Claude 得到了一整套介于两种极端之间的新方案族。 和此前最小资源方案相比，该方案族中某一款电路量子比特增加 12%，但量子门减少 17 倍。总体来说，新方案拓展了帕累托前沿，提供了以往不存在的量子比特数量与运行时间组合（见表 1）。
表 1：椭圆曲线点加法所需资源。加粗行为 Claude 方案；其余为此前最优已发表方案。来源：arxiv.org/abs/2606.02235 (2026)，arxiv.org/abs/2607.13816 (2026)
优化一款量子优化器
优化问题广泛存在于排程、物流、材料设计等任务。优化问题包含一系列互相冲突的约束，目标是找到尽可能满足约束的解。学界已经提出很多量子算法来求解这类问题，但大部分相比经典计算机，仅能带来有限或不确定的性能提升。DQI 算法是最有潜力实现超多项式量子加速的候选算法之一：问题规模越大，量子带来的优势就越显著。
量子计算机完成计算后，读取量子比特只会随机输出叠加态中的某一个结果。DQI 的思路是制备特定量子态：优质解被读出的概率高于劣质解。这一步需要纠错解码器，从压缩摘要中恢复一小份 “错误” 信息，也是该算法开销最大的步骤。因此，如果能设计更快的解码器，DQI 整体速度就能提升。
更高效率的量子解码器
提出 DQI 的研究者，在最优多项式相交（OPI）问题上演示了该算法，OPI 是网格版曲线拟合（图 3）。想象一张网格，每个横坐标 x 位置包含若干允许的 y 取值。目标是找到一条简单曲线（低次多项式），在尽可能多的 x 位置穿过允许方格。DQI 使用一类特殊解码器 —— 里德 - 所罗门（Reed–Solomon）解码器，求解该优化问题。
图 3：最优多项式相交（OPI），离散曲线拟合。每一列包含多个允许取值。优化目标是找到多项式，尽可能穿过更多允许值。
里德 - 所罗门解码，从上面提到的错误压缩摘要（称为伴随式 syndrome）开始。解码器的任务是从摘要推断错误位置和错误值。此前最优量子电路采用扩展欧几里得算法处理伴随式：一系列除法与交换操作，步骤数量和顺序随输入变化。量子电路的约束在此再次凸显：普通程序可以针对不同输入走不同路径，但量子电路在叠加态上并行处理大量输入，必须用一套固定的量子门序列处理全部输入。为满足该要求，旧方案必须设置远超单一输入所需的迭代轮数，并且每一轮都执行全部操作，哪怕很多操作对当前输入是无用的。
解码器的优化，可以大幅降低 DQI 运行耗时。研究者估算：在全球最强超算之一 Frontier 上求解一个特定 OPI 问题，大约需要三个月；而未来搭载 DQI 的量子计算机，大约只需要一小时。而这一小时的绝大部分时间，都消耗在里德 - 所罗门解码上。
因此我们让 Claude 为解码步骤设计更高效的量子电路。Claude 很快判断：扩展欧几里得算法并不适合量子电路。取而代之，它以另一种解码算法 ——伯利坎普 - 梅西（Berlekamp–Massey）解码为基础搭建电路。该算法逐个读取伴随式，逐步推导出最简单的递推规则，用前面的值预测后续数值；找到该规则后，就能定位错误。和扩展欧几里得算法不同，伯利坎普 - 梅西每一轮都是同类操作，迭代总轮数固定，天然适配量子电路单一固定门序列的特性，为 Claude 打下更高效的基础。
简化存储方案
换成伯利坎普 - 梅西算法，消除了 “不同输入走不同路径” 的麻烦。但实现可逆版本又带来新挑战，也就是前面提到的反计算约束。每一轮，电路会计算临时值，仅短暂使用；这些信息不能直接删除：后续要反计算，就必须能恢复它。
全部保存这些临时信息，成本高到无法接受。于是 Claude 沿用处理 Divsteps 时的思路：设法从电路当前状态重建大部分临时信息，不需要存储。但少数特例值无法用该方式恢复，必须保存。
如果按最坏情况预留内存（35 轮迭代都出现特例），需要 665 个量子比特。Claude 编写高速模拟器，运行 4.03 亿次解码采样，统计特例实际发生频率：几乎所有运行最多只需要保存 1 个值。因此 Claude 的电路仅预留存储 1 个值的空间，也就是 19 个量子比特。大约万分之一的运行会超出该容量而失败，该失败率在任务允许范围内。
这套优化，把最坏情况下的大容量存储，替换为固定少量量子比特与量子门（图 4）。
图 4：里德 - 所罗门解码器定位步骤的 3 套方案，按比例绘制：方块宽度正比于量子门数量。 (a) 旧方案，基于扩展欧几里得算法（Khattar 等人，2025） (b) 基于伯利坎普 - 梅西的方案，量子门数量大幅减少；但朴素可逆版本每一轮都要存储 12 比特记录，合计 840 量子比特 (c) Claude 电路从更新后的状态重建大部分历史，仅预留 19 量子比特，保存单个值。
综合多层优化，这套解码器的量子门数量相比 2025 年 Khattar 方案减少 12 倍。改进来自三个层面的重新设计：
-
更换核心算法：伯利坎普 - 梅西解码替代扩展欧几里得算法 -
电路架构改变：重建临时状态而非全部存储历史 -
资源预算重新评估：精确统计真实需要的内存与计算量
单独任何一项改动都不足以达成效果，三者结合，让 DQI 中开销最大步骤的成本降低一个数量级。
我们得到的结论
科学进步，常常是把理论构想变得工程可用。重要路径之一，就是把曾经不具备可行性的流程，变得足够快、足够廉价。量子电路设计就是典型例子：前面提到 FeMoco 估算量下降 15 万倍，是多个研究团队历时 8 年逐步完成，每一步进展通常要耗费数月。与之对比，Claude 完成椭圆曲线电路设计，仅为单次 53 小时运行的成果。
我们的结果说明，AI 可以辅助电路设计，产出的实现方案，让实用量子计算更贴近真实硬件能力。如果 AI 能加速这一研发进程，具备实用价值的量子计算机有望更早到来。
尽管 Claude 在这些任务上表现亮眼，我们同样观察到局限。早期实验中，Claude 本身偏保守，会反复质疑看似有效的优化，有时对已有充分证据的结果反复二次、三次校验。这种谨慎有时是有益的：例如促使 Claude 写出 Lean 形式化证明，验证 Divsteps 方案。但保守性也带来倾向：它更偏好已知成熟方案，而不是探索更创新的思路。
我们采取两项手段缓解该问题：
-
实验框架要求 Claude 并行提出多种本质不同的方案，同步推进； -
我们偶尔提示 Claude 拓宽搜索空间。
这些干预成功引导 Claude 探索更大胆的思路。椭圆曲线的成果，并不是在旧方案上少量削减量子门，而是探索一种此前不可行的可逆模逆方法，再推导必要数学结论使其落地。一旦构思成型，Claude 自主完成方案开发、代码实现与正确性验证。
电路设计只是搭建实用量子计算机的一环。量子比特非常脆弱，机器运行时还需要检测并修正自身错误，这依赖纠错码、高速解码器、硬件控制等大量组件。这些组件互相影响，但为控制复杂度，通常分开独立设计。其中很多组件，都具备适合 Claude 处理的特点：方案可写成代码、正确性可校验、资源成本可以打分。
这引出一个很有吸引力的设想：不再单独设计各个组件，AI 可以从算法到底层硬件，对整套纠错量子计算机做联合全局优化，打造面向特定问题的整机。这类设计还可以告诉硬件研发者：针对特定应用，哪些硬件性能最重要。这有望让催化剂设计、新材料机理研究这类问题，在首批容错量子计算机上就能求解。
致谢
感谢 Arjun Kar 与 Vinay Ramasesh 在项目早期提供的有益讨论。
脚注
两项估算针对同一个 54 轨道 FeMoco 模型，数据来自arxiv.org/abs/2502.15882《Fast quantum simulation of electronic structure by spectrum amplification》(2025) 表 1；2017 年估算来自期刊 PNAS。该模型的中间估算结果来自 2019、2021、2024 多篇量子计算相关论文。