Anthropic afferma che il suo modello Claude Mythos 5 ha progettato un circuito quantistico che richiede circa 17 volte meno porte rispetto al più piccolo design noto in precedenza. L'azienda ha presentato il risultato come prova che l'intelligenza artificiale potrebbe contribuire a ridurre i costi del calcolo quantistico migliorando gli algoritmi, anziché affidarsi esclusivamente ai progressi dell'hardware.

Il lavoro è stato condotto sotto la guida del ricercatore Andi Gu nell'ambito del programma STEM Fellows di Anthropic, in collaborazione con ricercatori dell'Università di Harvard e di QuEra Computing. Claude Mythos 5 ha preso parte a otto esperimenti di progettazione di circuiti in campi tra cui chimica, simulazione fisica, ottimizzazione, teoria dei numeri e calcolo numerico.

New from our STEM Fellows Program: Designing more efficient quantum circuits with Claude. Given plain-language instructions, Claude Mythos 5 designed quantum circuits that improve on the best published ones, sometimes by an order of magnitude or more. More efficient circuits…

— Anthropic (@AnthropicAI) October 16, 2026

Come i circuiti progettati dall'IA si inseriscono nel calcolo quantistico

I computer quantistici eseguono calcoli sui qubit tramite operazioni note come porte quantistiche. A differenza dei bit classici, che assumono uno stato di zero o uno, i qubit possono occupare stati combinati grazie alla sovrapposizione. Questa proprietà potrebbe consentire alle macchine quantistiche di risolvere alcuni problemi scientifici intrattabili per i computer tradizionali.

Tuttavia, l'attuale hardware quantistico rimane limitato dalla disponibilità di qubit e dal rumore ambientale. Piccole fluttuazioni introducono errori e i calcoli più lunghi diventano sempre più difficili da eseguire. Trovare circuiti con requisiti minimi di operazioni e memoria è quindi un compito centrale, rendendo lo sviluppo di algoritmi un passaggio essenziale per migliorare il calcolo quantistico.

Anthropic ha fornito a Claude descrizioni in linguaggio naturale di otto task di calcolo insieme a un sistema automatizzato per la valutazione dei risultati. Il modello ha generato circuiti, valutato i propri output e raffinato le soluzioni in cicli iterativi senza alcun intervento umano durante la loro esecuzione. Secondo l'azienda, alcuni dei risultati hanno superato in modo significativo le migliori soluzioni note di un ordine di grandezza.

Riduzione dei requisiti di memoria nell'inversione modulare

Un risultato importante ha riguardato l'inversione modulare, un'operazione matematica utilizzata nell'aritmetica delle curve ellittiche. L'operazione è rilevante per gli algoritmi quantistici che mirano al problema del logaritmo discreto su curve ellittiche, con implicazioni per la valutazione della sicurezza della crittografia a curve ellittiche rispetto a computer quantistici sufficientemente potenti.

Claude ha sviluppato un algoritmo reversibile per l'aritmetica utilizzando un metodo noto come divsteps, che semplifica i numeri attraverso operazioni condionali consecutive. La conversione della procedura in un circuito quantistico solleva un problema di memoria: un calcolo reversibile deve conservare informazioni sufficienti a ripristinare i passaggi precedenti anziché scartare i risultati temporanei non necessari.

Il modello ha scoperto una tecnica per recuperare le scelte di ramificazione dai valori numerici intermedi. Ha identificato le identità matematiche rilevanti, ha testato l'approccio con la simulazione numerica e ne ha dimostrato la correttezza utilizzando l'assistente di dimostrazione Lean, uno strumento che verifica meccanicamente le dimostrazioni matematiche. Di conseguenza, il circuito non deve memorizzare l'intera cronologia delle scelte effettuate.

Meno porte, più qubit

Il circuito ottimizzato su curve ellittiche utilizza circa 17 volte meno porte rispetto al più piccolo design esistente in precedenza, impiegando il 12% di qubit in più. Il risultato illustra un importante compromesso ingegneristico: ridurre il numero di operazioni può aumentare il fabbisogno di memoria, quindi entrambe le risorse devono essere ponderate durante la progettazione del circuito. Quei qubit extra hanno un peso reale sull'hardware attuale, dove la disponibilità di qubit è già limitata.

Anthropic ha inoltre segnalato altri miglioramenti. Un'ottimizzazione ha ridotto di circa 12 volte il numero di porte in un circuito di decodifica Reed-Solomon utilizzato nell'algoritmo di ottimizzazione quantistica DQI (Decoded Quantum Interferometry). L'azienda ha suggerito che la progettazione assistita dall'IA può aiutare a identificare possibili riduzioni in una gamma di task matematici e scientifici, sebbene ogni design debba comunque essere analizzato individualmente.

Questi risultati non implicano che i computer quantistici esistenti possano già eseguire qualsiasi calcolo richiesto. Rimangono sfide tecniche serie relative ai vincoli hardware, alla correzione degli errori e alla stabilità operativa. Il risultato sulle curve ellittiche è significativo per i crittografi, ma non dimostra che i dispositivi moderni possano violare la crittografia ampiamente utilizzata.

Costruendo su anni di progressi algoritmici

La ricerca si basa su anni di progressi nella riduzione delle risorse stimate necessarie per simulazioni quantistiche impegnative. Secondo Anthropic, si stima che il FeMoco — un cluster ferro-zolfo associato alla fissazione biologica dell'azoto che da lungo tempo funge da riferimento per tali stime di risorse — richiedesse nel 2017 50.000 miliardi di porte Toffoli per calcolare la sua energia fondamentale. Le innovazioni algoritmiche hanno successivamente ridotto tale cifra a 340 milioni di porte, oltre 150.000 volte in meno rispetto alla stima iniziale.

L'ottimizzazione automatizzata dei circuiti potrebbe contribuire ad abbassare ulteriormente tale numero, anche se i risultati effettivi dipenderanno in futuro dai progressi dell'hardware e da altri fattori.

Fonte: Tron Weekly