当量子硬件还在追赶，算法先被AI“瘦身”了
量子计算机的瓶颈，长期被理解为硬件问题：量子比特太少、噪声太大、纠错太难。但另一条并行的路径正在被认真对待——如果算法本身能变得更精简，同样有限的硬件就能承载更多有用的计算。
2026年10月16日，Anthropic发布了与哈佛大学及QuEra Computing合作的研究成果。团队向Claude给出了八项量子电路任务的纯语言描述，涵盖化学模拟、优化、物理仿真和数论等领域，并配套一个自动评估器来检验每一版设计的正确性和资源开销。Claude在几乎无需人工干预的情况下，交出了在多数任务上优于已发表最优方案的电路设计。
这项工作由Anthropic STEM Fellows项目的Andi Gu主导，Anthropic量子物理学家Alek Kemeny提供指导，哈佛大学的Susanne Yelin和Mikhail Lukin参与了合作。
方法：不教它“怎么做”，只告诉它“要算什么”
这项研究在方法论上的特别之处，在于没有把Claude当作一个“建议生成器”，而是把它放进了一个闭环的工程流程。
团队用自然语言向Claude描述每个电路必须完成的计算任务，但不提供传统电路的结构模板。Claude输出的是完整的Python程序，由经典评估器在“kickmix”模型上模拟运行，验证逻辑是否正确，并按照“Toffoli门数量 × 峰值量子比特数”这一TQ-cost指标给每个候选方案打分。模型根据分数反馈自行修改程序，反复迭代。
Claude的核心优势在于，它能够跨越不同的算法家族提出全新的程序结构，而非在既有电路图上做局部的门级重写。在椭圆曲线点加法任务中，Claude进行了约53小时的自主探索，人类仅提供了初始指令和偶尔的搜索方向提示。
性能：七项任务实现“双重削减”，一项任务开辟新架构
在八项测试任务中，七项同时在Toffoli门数量和量子比特需求上实现了下降。按TQ-cost衡量，改进幅度从4.1倍到超过9100倍不等。
最具代表性的数字来自Hermitian DQI解码器：基线设计需要约1.0×10⁸个Toffoli门和1.9×10⁵个峰值量子比特，Claude找到的电路将门数降至9.3×10⁵，量子比特降至2,395，资源成本压缩超过9100倍。另一项Reed-Solomon解码器设计则将Toffoli门从5.1×10⁶降到4.4×10⁵，降幅约12倍，峰值量子比特从1,938微降至1,837。
第八项任务——素数域模逆——没有产生简单的“更优旧方案”，而是催生了一种新的可逆架构。Claude将此前被认为不适用于可逆整数运算的divsteps算法变得可行，从而在Toffoli门与量子比特之间提供了不同于既有方案的权衡关系。这意味着AI的输出不只是优化，而是一种结构性的设计发现。
意义：让实用量子计算的时间表前移
量子算法的进步之所以关键，是因为它和硬件进步形成乘法关系。FeMoco基态能量计算是一个常被引用的参照：2017年的估计需要约50万亿个Toffoli门，经过一系列算法改进后已降至约3.4亿，对应未来约300万物理量子比特上数小时的计算量。电路层面的持续压缩，直接降低了“需要多大的机器才能做有用的事”这一门槛。
但这项研究也划出了清晰的边界。所有结果均来自经典模拟器上的电路设计和资源估算，并未在真实量子硬件上运行。TQ-cost是一个有用的工程指标，但它不等于实际运行时间或保真度。从“电路更精简”到“整机跑得更快”，中间还隔着编译、纠错和硬件适配等多层工程问题。Claude找到的设计能否在真实设备上兑现其理论优势，是下一阶段需要验证的问题。
（素材来自：哈佛/Anthropic 智算芯能前沿网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。