Claude 用了 53 小时,把 8 个量子电路的关键算子重做了一遍——其中几项比过去几年人类研究者给出的最佳方案还要再快一个数量级。这是 Anthropic 在 10 月 16 日公布的"用 Claude 设计更高效量子电路"研究的核心结论,论文同步挂到 arXiv(arXiv:2610.22367)。
量子电路为什么难
量子计算机不像经典计算机那样"if-then"分叉——所有输入被叠加跑同一段指令,每个回合要执行所有分支。每一步必须可逆,中间结果不能简单丢弃,只能反运算回去,这又吃 qubit 又吃 gate。一个标志性案例:FeMoco 模拟所需 Toffoli 门从 2017 年的 50 万亿次降到 2025 年的 3.4 亿次,约 15 万倍,几乎都来自电路重设计,不是硬件升级。
Anthropic 这次想问的是:把同样的"设计→评估→迭代"循环交给一个 LLM,会发生什么。
53 小时,8 个电路
团队给 Claude Mythos 5 一段平实的数学描述(比如 mod p 域上椭圆曲线点加法的规则),配一个自动评估器:判定正确性,按"qubit 数 × gate 数"打分。Claude 反复提交实现、拿反馈、改下一版,中间几乎不需要人介入。8 个电路——化学、优化、量子模拟、数论、数值计算各占其一——Claude 给出的新设计全部用更少的 qubit 和更少的 gate 跑赢已发表最佳方案。两项最值得关注。
divsteps:消除分支信息存储
椭圆曲线点加法里最贵的步骤是模逆运算。divsteps 在经典计算机上高效,但搬到量子电路里就卡在"可逆"这条规则上:每一轮迭代选了什么分支,都得存下来才能反向计算,等于多出一个巨大的 qubit 账本。Claude 的思路很巧:观察数对结构后认为"分支信息"本身可以从数对状态里直接解码,不用单独存。早期几条简单解码规则小测例上能用,放到 256 位就崩。Claude 没有继续穷举,而是转向理论——证明了一组新代数恒等式,基于这些恒等式推导出正确的解码规则,然后用大规模数值仿真验证,再把推导形式化到 Lean 里面。结果是首个不需要分支历史存储的可逆 divsteps 实现。一个电路多用 12% qubit,gate 数直接降到原来的 1/17。
Reed-Solomon 解码器:门数砍到 1/12
第二项是 DQI 算法里最贵的 Reed-Solomon 解码。Google Quantum AI 在 2025 年给出的电路基于扩展欧几里得算法:输入不同就要走不同分支,搬到量子电路里只能把所有路径铺平,gate 数被撑到很大。Claude 换思路用 Berlekamp-Massey——每轮步骤一致,正适合量子的"单条固定指令"约束。但反向化又带来新问题:每轮的临时值必须保留或可重建。Claude 同样尝试重建而不是存储;跑 4.03 亿次仿真,发现几乎所有情况下只需要存一个 19 qubit 的值——最坏情况下原本要 665 qubit 才能存下。换算法、改架构、缩资源预算三件事叠在一起,整体让解码器门数减少 12 倍。
所以呢
这件事不只在"AI 又跑赢一项 benchmark",而在于它是 AI 真的在没有现成模板的方向上推导出新理论、写出 Lean 证明、把电路跑通并量化提速的完整闭环。divsteps 那段尤其值得记住:Claude 不是把已有算法微调,而是先识别出"可逆性"的本质矛盾,再回头证明一组新数学恒等式,把这套恒等式当作电路重设计的基础——这是常规"自动优化"做不到的。
对量子硬件路线图来说,这次工作的具体含义比 headline 更克制:它没有声称"通用量子计算机要来了",只是把已发表问题里某些关键算子的开销往下推了一档。但 Anthropic 点出了更宏大的可能——既然电路设计、纠错码、错误解码、控制硬件这些环节都有"可代码化、能自动判对错、有客观打分"的特征,那未来是不是可以让 AI 把这些环节联合优化?这篇工作大概就是这条路线上第一个可量化的起点。
对不在量子领域的人来说,这件事更直接的提示是:在严肃的科学发现里,AI 当前最现实的定位,是"能在闭环里持续追问数学结构、直到推出新结论的协作伙伴",而不仅是写代码的工具。divsteps 那一节里 Claude 写 Lean 验证的环节,就是这套新定位的具体形态。