精华速览

Anthropic 于 10 月 16 日发布研究称，其 AI 模型 Claude 在几乎无需人工干预的情况下，针对化学、优化、物理模拟、数论和数值计算等领域的 8 类量子计算任务，设计出比已发表最优方案更高效的量子电路。研究采用通俗语言描述任务并设置自动评估程序，以“量子比特数×量子门数”为评分标准，让 Claude 根据反馈迭代改进。结果显示，Claude 不仅减少了资源消耗，还提出了新的数学与结构思路，例如在椭圆曲线点加法任务中经过约 53 小时自主探索，给出无需存储完整分支历史即可反向运行的可逆算法。研究团队认为，这类进展有望降低实用量子应用对硬件规模的要求，但量子电路设计只是构建容错量子计算机的一环。

要点透视

  • Anthropic 于 10 月 16 日发布研究，Claude 在几乎无需人工干预下完成 8 类量子计算任务的电路设计，覆盖化学、优化、物理模拟、数论和数值计算等领域。
  • 评估程序以“量子比特数×量子门数”为成本指标，先检验电路正确性再打分，Claude 依据反馈迭代改进，形成闭环设计流程。
  • 在模拟硫化铁分子时，Claude 利用分子对称性和重复结构，将部分结果计算一次后重复使用，减少重复计算。
  • 在量子优化算法的解码环节，Claude 将最昂贵步骤的成本降至原来的 12 分之一。
  • 在椭圆曲线点加法任务中，Claude 经过约 53 小时自主探索，提出无需存储完整分支历史即可反向运行的可逆算法，并形成多组在量子比特数量与运行时间之间不同平衡的新设计。
  • 研究指出，Claude 的设计并非对既有方案的小幅微调，而是提出了新的数学与结构思路。
  • 研究团队认为，此类进展有望降低实用量子应用对硬件规模的要求，使新药设计、高效电池、新型催化剂和更清洁肥料生产等领域的量子方案更早落地。
  • 研究同时强调，量子电路设计只是构建容错量子计算机的一环，纠错、硬件控制等问题仍需协同突破。

文章拆解

当前量子设备通常只有数百到数千个量子比特，且对热量、振动和电磁噪声极为敏感，量子比特和运行时间都是稀缺资源。衡量量子电路成本的核心指标是所需量子比特数与量子门数，两者越少，硬件压力、运行时间和噪声累积通常越低。Anthropic 此次研究的切入点，正是让 AI 在明确的任务描述和自动评分机制下，自主搜索更省资源的电路结构。

从流程看，这项工作的关键不在于 Claude 一次性给出答案，而在于“生成—验证—迭代”的闭环：评估程序负责判断电路正确性并按资源消耗打分，模型据此反复修改。这种机制把 AI 的生成能力约束在可验证的目标上，降低了错误方案被采纳的风险。素材显示，Claude 在多个任务中不仅压缩了资源用量，还给出了新的数学与结构思路，说明其输出并非简单套用模板。

对行业而言，若这类方法可复现并扩展到更多任务，可能改变量子电路设计的效率边界。传统上，电路优化高度依赖领域专家的经验与反复试错，AI 辅助设计有望缩短探索周期，并降低实用量子应用对硬件规模的要求。新药设计、电池材料、催化剂和肥料生产等领域的量子方案，可能因此更早进入可行性评估阶段。

不过，需要冷静看待其边界。量子电路设计只是构建容错量子计算机的一环，纠错、硬件控制、低温环境等工程问题仍需协同突破。Claude 在椭圆曲线点加法任务中耗时约 53 小时，说明自主探索仍有时间成本；自动评估程序能否覆盖真实硬件中的噪声与误差，素材未作说明，尚待确认。此外，8 类任务的结果是否经过独立第三方复现，以及这些设计在真实量子设备上的实际表现，目前也缺乏公开细节。

值得关注的变量包括：Anthropic 是否会开放评估框架与任务集，供外部研究者验证；Claude 提出的新结构能否被量子硬件团队实际采用；以及随着任务复杂度提升，AI 自主设计的可扩展性是否仍然成立。潜在风险在于，若评分指标过度简化，模型可能针对评估程序而非真实物理约束进行优化，导致实验室结果与工程落地之间存在落差。

查看原文