Anthropic 表示，其 Claude Mythos 5 模型设计出一个所需量子门数量比此前已知最小设计减少约 17 倍的量子电路。该公司将这一结果作为证据，表明人工智能可以通过改进算法而非仅依赖硬件进步来帮助降低量子计算成本。

这项工作在研究员 Andi Gu 的指导下进行，属于 Anthropic STEM Fellows 计划的一部分，并与哈佛大学及 QuEra Computing 的研究人员合作完成。Claude Mythos 5 参与了八项电路设计实验，涵盖化学、物理模拟、优化、数论和数值计算等领域。

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

AI 设计的电路在量子计算中的定位

量子计算机通过被称为量子门的操作对量子比特进行计算。与只能处于零或一两种状态之一的经典比特不同，量子比特可以通过叠加同时处于多种状态的组合。这一特性或使量子机器能够解决某些传统计算机难以处理的科学问题。

然而，当前的量子硬件仍受限于量子比特的可用性和环境噪声。微小的波动会引入错误，而更长时间的计算也变得越来越难以执行。因此，寻找运算和内存需求最小的电路是一项核心任务，算法开发也因此成为改进量子计算的关键一步。

Anthropic 向 Claude 提供了八项计算任务的通俗语言描述，以及一个用于评估结果的自动化系统。该模型生成电路、评估自身输出，并在迭代循环中改进其解决方案，期间没有任何人工干预。据该公司称，部分结果比已知最佳解决方案显著提升了一个数量级。

降低模逆运算的内存需求

一项重要成果涉及模逆运算，这是椭圆曲线算术中使用的一种数学运算。该运算与针对椭圆曲线离散对数问题的量子算法相关，对评估椭圆曲线密码学在足够强大的量子计算机面前的安全性具有重要意义。

Claude 使用一种名为 divsteps 的方法为该算术开发了一种可逆算法，该方法通过连续的条件运算来化简数字。将这一流程转换为量子电路会带来内存问题：可逆计算必须保留足够的信息以恢复先前的步骤，而不能丢弃不需要的临时结果。

该模型发现了一种从中间数值中恢复分支选择的技术。它识别出相关的数学恒等式，通过数值模拟对该方法进行了测试，并使用 Lean 证明助手——一种机械化验证数学证明的工具——证明了其正确性。因此，该电路无需存储所做选择的完整历史。

更少的量子门，更多的量子比特

优化后的椭圆曲线电路所用量子门数量比此前最小的现有设计减少约 17 倍，但多使用 12% 的量子比特。这一发现说明了一个重要的工程权衡：减少运算数量可能增加内存需求，因此在电路设计中必须同时权衡这两种资源。在量子比特本身就稀缺的当前硬件上，这些额外的量子比特代价不小。

Anthropic 还报告了其他改进。一项优化将 DQI（Decoded Quantum Interferometry）量子优化算法中使用的 Reed–Solomon 译码电路的量子门数量减少约 12 倍。该公司表示，AI 辅助设计有助于在各类数学和科学任务中发现可能的缩减空间，但每项设计仍需单独分析。

这些成果并不意味着现有量子计算机已经能够执行任何所需的计算。在硬件限制、纠错和运行稳定性方面仍存在严峻的技术挑战。椭圆曲线方面的发现对密码学家意义重大，但它并不能证明现有设备能够破解广泛使用的密码学。

建立在多年算法进步之上

这项研究建立在多年来减少高难度量子模拟所需估计资源的进展之上。据 Anthropic 称，FeMoco——一种与生物固氮相关的铁硫簇，长期以来一直作为此类资源估算的基准——在 2017 年估计需要 50 万亿个 Toffoli 门来计算其基态能量。此后，算法创新将这一数字降至3.4 亿个门，比最初估算低超过 150,000 倍。

电路的自动化优化有望进一步降低这一数字，但实际结果将取决于未来的硬件进步及其他因素。

来源：Tron Weekly