Anthropic表示，其Claude Mythos 5模型設計出一個量子電路，所需量子閘數量約比先前已知最小的設計少17倍。該公司將此結果作為證據，指出人工智慧有助於透過改進演算法來降低量子運算成本，而非僅依賴硬體的進展。

這項工作在研究員Andi Gu的指導下進行，屬於Anthropic STEM Fellows計畫的一部分，並與哈佛大學及QuEra Computing的研究人員合作。Claude Mythos 5參與了八項電路設計實驗，涵蓋化學、物理模擬、最佳化、數論及數值運算等領域。

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設計電路在量子運算中的定位

量子電腦透過稱為量子閘的運算對量子位元進行計算。與只能處於零或一狀態的古典位元不同，量子位元可透過疊加同時處於多種狀態。這種特性或許能讓量子機器解決某些傳統電腦難以處理的科學問題。

然而，目前的量子硬體仍受限於量子位元的可用性與環境雜訊。微小的波動會引入錯誤，而更長時間的運算也變得越來越難以執行。因此，尋找運算與記憶體需求最低的電路是一項核心任務，也使演算法開發成為改進量子運算的關鍵一步。

Anthropic向Claude提供了八項運算任務的通俗語言描述，以及一套自動評估結果的系統。該模型生成電路、評估自身輸出，並在迭代循環中改進其解決方案，過程中完全沒有人為介入。據該公司表示，部分結果顯著超越已知最佳解決方案達一個數量級。

降低模反演的記憶體需求

其中一項重要成果涉及模反演，這是橢圓曲線運算中使用的一種數學操作。該操作與針對橢圓曲線離散對數問題的量子演算法相關，對評估橢圓曲線密碼學在面對足夠強大的量子電腦時的安全性具有意義。

Claude使用一種名為divsteps的方法開發出可逆的運算演算法，該方法透過連續的條件運算來簡化數值。將此程序轉換為量子電路會引發記憶體問題：可逆計算必須保留足夠的資訊以還原先前的步驟，而非捨棄不需要的暫存結果。

該模型發現了一種從中間數值中恢復分支選擇的技術。它找出了相關的數學恆式，以數值模擬測試該方法，並使用Lean證明輔助工具——一種機械驗證數學證明的工具——證明了其正確性。因此，該電路無需儲存所做選擇的完整歷史。

更少閘極、更多量子位元

最佳化後的橢圓曲線電路所使用的閘極數量約比先前最小的現有設計少17倍，但使用的量子位元多了12%。這項發現說明了一個重要的工程權衡：減少運算次數可能會增加記憶體需求，因此在電路設計時必須同時考量這兩種資源。在量子位元可用性本身受限的當前硬體上，這些額外的量子位元具有重要影響。

Anthropic也報告了其他改進。其中一項最佳化將DQI（解碼量子干涉術）量子最佳化演算法中使用的Reed–Solomon解碼電路的閘數減少約12倍。該公司指出，AI輔助設計有助於在各種數學與科學任務中找出可能的削減空間，但每個設計仍須逐一分析。

這些成果並不代表現有的量子電腦已能執行任何所需的運算。在硬體限制、錯誤校正與運行穩定性方面，仍存在嚴峻的技術挑戰。橢圓曲線的發現對密碼學家而言意義重大，但並不能證明現代設備能夠破解廣泛使用的密碼學。

建立在多年的演算法進展之上

這項研究建立在多年來降低高難度量子模擬所需估計資源的進展之上。根據Anthropic的說法，FeMoco——一種與生物固氮相關的鐵硫簇，長期以來一直作為此類資源估計的基準——在2017年估計需要50兆個Toffoli閘來計算其基態能量。演算法的創新已將此數字降至3.4億個閘，比最初估計低了超過15萬倍。

電路的自動化最佳化或許能進一步降低此數字，但實際結果未來仍將取決於硬體進展與其他因素。

來源：Tron Weekly