Claude 自主优化量子电路，部分指标提升超十倍

量子计算机以量子比特（qubit）存储信息，可利用叠加态等量子现象处理经典计算机难以应对的问题，在化学、材料科学和数论等领域具有巨大潜力。然而，现有量子计算机仅拥有数百至数千个量子比特，远不足以运行许多具有实际优势的算法。更棘手的是，量子比特对热量、振动乃至宇宙射线极为敏感，微小干扰就会导致错误累积，最终输出错误结果。因此，如何用更少的量子比特和更短的计算时间完成任务，成为当前量子算法研究的核心挑战。

以模拟固氮酶核心结构 FeMoco（铁硫簇）为例，2017 年研究人员估计需要约 50 万亿个 Toffoli 门才能计算其基态能量。经过一系列算法改进，这一数字已降至约 3.4 亿，降幅约 15 万倍，对应未来拥有约 300 万物理量子比特的机器上数小时的计算时间。这些进步主要来自电路设计的优化，而非硬件本身的提升，说明算法层面的创新对量子计算实用化至关重要。

Anthropic 团队选择让 Claude 承担量子电路优化任务，原因有三：量子电路可以用代码描述，便于 Claude 调用其编程能力；所关注的这类量子算法可以高效验证正确性；评分标准明确，即量子比特数乘以门数，作为运行时间的代理指标。Claude 在闭环中自主运作——提出电路设计、接收评估器的正确性反馈与评分、据此改进下一轮方案——全程无需人工介入。

在八类量子电路基础原语的设计任务中，Claude 发现的新方案在量子比特数和门数两个维度上均优于已发表的最优设计。这些改进并非来自对现有方案的参数调整，而是源于对问题结构的新理解。例如，在模拟铁硫分子的电路设计中，Claude 发现分子的对称性和重复结构意味着某些计算结果可以复用，无需为系统每个部分重复计算，从而大幅削减了冗余操作。

Claude 的两项具体发现尤为突出。其一是针对模块化求逆运算的新方法——这是椭圆曲线计算中最昂贵的步骤，在密码学领域有广泛应用。其二是将一种主流量子优化算法中最耗资源的步骤成本降低了约 12 倍。这两项改进均体现了 Claude 在发现数学结构、识别冗余组件方面的能力，而非依赖穷举搜索。

这项研究表明，AI 已能够在量子电路设计这一高度专业化的领域发挥实质性作用。量子电路效率的提升意味着实用量子计算机所需的硬件门槛可能比此前预期更低，从而加速药物设计、新型电池材料开发以及更清洁的化肥合成工艺等应用的到来。随着 AI 与量子计算研究的深度融合，这一方向有望成为推动量子计算实用化进程的重要路径。

要点

• Claude 在八类量子电路设计任务中全面超越已发表最优方案，部分改进幅度超过一个数量级，且全程以闭环方式自主完成，无需人工干预。
• 改进来源于对问题数学结构的新洞察，例如利用分子对称性复用计算结果、去除仅处理极罕见输入的高成本组件，而非对现有设计的微调。
• Claude 将一种主流量子优化算法的核心步骤成本降低约 12 倍，并为椭圆曲线计算中的模块化求逆运算找到了更高效的实现方式。
• 量子电路效率的提升可降低实用量子计算机对硬件规模的要求，有望使化学模拟、材料科学和密码学等领域的实际应用更早实现。
• 该研究由 Anthropic STEM 学者项目主导，与哈佛大学及 QuEra Computing 合作完成，论文已发布于 arXiv，展示了 AI 辅助量子算法研究的可行路径。