Claude 花 53 小时重写量子电路：部分设计比人类最优方案好一个数量级

量子计算这些年一直卡在同一个矛盾里：硬件还不够强，算法又太“贵”。一个有用的量子算法，往往需要海量量子比特和门操作，而今天的机器只有几百到几千个量子比特，还特别怕噪声。于是，如何把电路设计得更小、更快，成了让量子计算走向实用的关键一步。

Anthropic 在 10 月 16 日公布了一项颇为硬核的研究：让 Claude 直接参与量子电路设计。结果不是“帮忙写写代码”那么简单——在 8 个不同类型的电路设计任务上，Claude 给出了比已发表最优方案更省资源的设计，部分提升达到一个数量级甚至更多。

核心看点

• Claude 自主设计量子电路：只给一段自然语言说明和一个自动评分器，Claude 就能写代码、跑评估、根据分数反复修改，形成闭环。
• 8 个任务全面开花：覆盖化学模拟、优化、量子模拟、数论和数值计算，Claude 的设计在量子比特数和门数上同时优于此前公开的最优方案。
• 两个代表性突破：椭圆曲线点加法中的模逆运算，Claude 找到无需存储分支历史的全新可逆实现；量子优化算法 DQI 中最昂贵的解码步骤，成本降低约 12 倍。
• 意味着什么：AI 开始参与“重写算法”这一层，而不只是辅助写代码。量子计算的应用时间表，可能因此提前。

一场几乎无人干预的“闭门造车”

这项研究由 Anthropic 的 STEM Fellows 项目成员 Andi Gu 主导，哈佛大学的 Susanne Yelin 和 Mikhail Lukin 参与合作，完整论文已经发到 arXiv。

实验设置很直接：研究人员给 Claude 一段自然语言规格说明，告诉它这个电路要算什么；再配一个自动评估器，检查电路是否正确，并按“量子比特数 × 门数”打分。Claude 用 Python 写出电路实现，评估器返回分数，它再据此改进下一版。整个循环里，人几乎不插手。

最难的一个任务是椭圆曲线点加法。它是量子算法求解椭圆曲线离散对数问题的核心步骤，也是量子计算领域的标准基准。Claude 在只有初始说明和偶尔“想宽一点”的提示下，连续工作了 53 个小时，最终拿出了一套全新的实现思路。

案例一：把“记不住”的历史，变成可以算出来的答案

点加法的大部分成本，来自一个叫模逆的步骤。经典计算机用 divsteps 算法处理它，效果很好；但搬到量子电路上就麻烦了。

量子电路有两个硬约束：不能像普通程序那样随意做“如果……就……”的分支，也不能随便丢弃中间信息，因为每一步都必须可逆。divsteps 每一轮都会根据当前数值决定交换、相加、相减还是折半，这些“分支信息”在经典程序里可以直接扔掉，在量子电路里却必须留着，才能反向计算。要存下完整历史，量子比特数量会爆炸。

Claude 的判断是：这段历史也许根本不用存。它先尝试了几条简单的解码规则，在小规模测试里能用，但放到 256 位数字上就失效了。于是它换了一条更理论化的路：不靠试错，而是去证明 divsteps 为什么会这样运行。它推导出一系列新的代数恒等式，并由此得到精确的解码公式，能从每一轮的数值对里还原出分支信息。这个公式先经过大规模数值模拟验证，又在 Lean 里完成了形式化证明。

最终，Claude 做出了第一个不需要存储分支历史的可逆 divsteps 实现。它没有停在“最省量子比特”或“最省门”两个极端，而是给出一族可调的设计：相比此前最小的方案，其中一个设计只多用 12% 的量子比特，门数却少了 17 倍。

案例二：换一种解码思路，把最贵的一步砍掉九成

第二个案例来自量子优化。DQI（Decoded Quantum Interferometry）被认为是少数有希望带来超多项式加速的量子算法之一，而它最昂贵的步骤是 Reed-Solomon 解码。

此前的量子电路用扩展欧几里得算法做解码。问题在于，这个算法的步骤数会随输入变化，而量子电路要同时处理大量输入，只能走一条固定的门序列，于是不得不把计算拉长到很多轮，还要在每一轮执行大量并不必要的操作。

Claude 很快判断扩展欧几里得算法不适合量子电路，转而围绕 Berlekamp-Massey 解码重构方案。后者每一轮做同样的操作、跑固定的轮数，天然更契合量子电路。接着，它又解决了可逆化带来的临时值存储问题：大部分中间信息可以从电路当前状态重建，只有少数例外需要特殊处理。按 Anthropic 的说法，这一步的成本因此降低了约 12 倍。

作为参照，Google Quantum AI 的研究者曾估计，某个特定的 OPI 问题在世界最强超算 Frontier 上要算约三个月，而未来的量子计算机运行 DQI 大约只需一小时——其中大部分时间都花在 Reed-Solomon 解码上。

更大的背景：量子算法正在被重新“压成本”

这类优化的威力，在 FeMoco 的例子里体现得更明显。FeMoco 是固氮酶核心的铁硫簇，理解它有助于设计更好的工业催化剂。2017 年，研究者估计模拟它的基态能量需要约 50 万亿个 Toffoli 门；经过一系列算法改进，这个数字已经降到约 3.4 亿，减少了约 15 万倍，对应未来约 300 万个物理量子比特、几个小时的运算。

这些进步大多不是靠硬件升级，而是靠重新设计电路。Anthropic 的研究说明，Claude 这类模型已经能在“算法和电路设计”这一层提供实质帮助，而不只是生成代码或解释概念。

冷静看待：这是起点，不是终点

需要说清楚的是，这项研究仍然限定在一类很适合自动验证的任务上：输入明确、正确性可检查、分数可量化。它证明的是“AI 可以在闭环里做算法级优化”，而不是“AI 已经能独立完成科学发现”。量子硬件本身的噪声、规模和纠错难题，也不会因为电路变便宜就自动消失。

但方向已经很清楚：当 AI 能把量子算法的资源需求压低一个数量级，原本看起来遥远的应用——更高效的催化剂、更好的电池材料、更快的密码分析——就会离现实更近一步。量子计算的竞赛，正在从“堆硬件”扩展到“拼设计”，而 Claude 已经在这个新战场上留下了一个相当醒目的成绩。

论文：arXiv:2610.22367；研究页面：anthropic.com/research/designing-efficient-quantum-circuits