Claude проектирует квантовые схемы лучше существующих решений

В октябре 2026 года компания Anthropic представила результаты работы модели Claude Mythos 5, которая в автономном режиме спроектировала квантовые схемы. Новая разработка улучшает лучшие известные аналоги в восьми вычислительных примитивах.

Исследование охватывает базовые алгоритмические блоки для химии, оптимизации, моделирования и теории чисел, а подробное описание математических методов приведено в научной работе, опубликованной на платформе arXiv.

Задачи проектирования в замкнутом цикле

Модель Claude оказалась эффективной для этой сферы по ряду причин. Проектирование квантовых цепей можно представить в виде обычного исходного кода, что позволяет искусственному интеллекту самостоятельно создавать, тестировать и дорабатывать программы. Корректность работы целевых алгоритмов проверяется стандартными компьютерными средствами, а показатель эффективности вычисляется через произведение количества кубитов на общее число логических элементов.

В процессе работы ИИ функционировал в автоматическом цикле: модель предлагала варианты на языке Python, получала оценку от специальной программы-верификатора и корректировала код без вмешательства человека. Авторы отмечают два жестких ограничения, отличающих квантовые схемы от привычного софта. В таких схемах запрещены условные ветвления в стиле «если-то», поскольку операции выполняются над суперпозицией множества входных данных одновременно. Кроме того, квантовые вычисления требуют строгой обратимости, исключающей потерю информации: любые промежуточные состояния необходимо либо сохранять в памяти, либо удалять с помощью обратных операций.

В качестве демонстрации потенциала таких улучшений в публикации приводятся расчеты для моделирования молекулярного кластера FeMoco, используемого бактериями для фиксации азота. Если в 2017 году для оценки энергии основного состояния требовалось около 50 триллионов вентилей Тоффоли, то последующая оптимизация снизила этот показатель в 150 тысяч раз до 340 миллионов операций.

Алгоритм обратимого модульного деления

Первый крупный результат связан с операцией сложения точек на эллиптической кривой, которая лежит в основе алгоритмов дискретного логарифмирования. Основная сложность таких вычислений заключается в выполнении модульного деления. Модель потратила 53 часа автономной работы на поиск принципиально нового подхода к этой математической задаче.

Классические компьютеры применяют для деления метод шагов деления, однако перенос этого метода на квантовые рельсы упирается в проблему сохранения истории ветвлений. Claude предложила отказаться от громоздкого сохранения истории, заменив его вычислением параметров на лету путем анализа чисел на каждой итерации. Сначала алгоритм давал сбои на 256-битных задачах, но затем модель вывела новые алгебраические тождества, сформировала точную формулу декодирования и верифицировала ее в симуляциях и в системе формального доказательства Lean.

Меняя порог между сохранением данных и их вычислением на основе формулы, ИИ создал семейство оптимизированных схем. Одно из таких решений требует на 12% больше кубитов, но использует в 17 раз меньше логических элементов, чем предыдущие компактные аналоги.

Декодер для квантовой оптимизации

Второй прорыв касается декодированного квантового интерферометра, где наиболее затратным этапом является коррекция ошибок. Исследования показывают, что решение задач оптимизации с помощью этого метода может выполняться на квантовых процессорах значительно быстрее, чем на суперкомпьютерах.

Стандартные подходы использовали расширенный алгоритм Евклида, зависящий от конкретного входного набора. Поскольку квантовая схема обрабатывает разные данные единым фиксированным потоком операций, это приводило к избыточности вычислений. Модель перестроила архитектуру на основе декодирования Берлекмпа — Месси, выполняющего одинаковое число шагов для любых данных.

Для решения проблемы временных значений Claude провела масштабную симуляцию из 403 миллионов запусков и выяснила, что в подавляющем большинстве случаев для сохранения исключений достаточно выделить всего 19 кубитов. Это сократило количество вентилей декодера в 12 раз по сравнению с предыдущими разработками Google.

Ограничения и перспективы

На начальных этапах экспериментов модель демонстрировала излишнюю осторожность, часто отвергая перспективные изменения в пользу проверенных классических подходов. Исследователям пришлось внедрить параллельную генерацию нескольких альтернативных вариантов и периодически направлять поиск алгоритмов.

Полученные результаты показывают, что современные системы искусственного интеллекта способны эффективно решать задачи проектирования сложных квантовых цепей, открывая перспективы для комплексной оптимизации аппаратно-программного обеспечения будущих квантовых компьютеров.