只给一段文字说明，Claude独自运行53个小时，改写了人类顶尖科学家设计的量子电路。
Anthropic刚刚公布了一项新研究。
他们把化学、优化、物理模拟和数论领域的8个核心量子计算程序，写成纯文字需求扔给Claude。
同时配上一个自动运行的打分程序。
没有任何人类插手干预。
Claude自主摸索，交出的设计方案全部超越了现有的顶尖成果。
在部分任务里，电路效率直接提升了一个数量级以上。
论文第一作者是Anthropic研究员Andi Gu。
指导老师是量子物理学家Alek Kemeny。
哈佛大学Susanne Yelin、哈佛大学与QuEra Computing的Mikhail Lukin共同参与了这项研究。
完整论文目前已经发布在arXiv上。
paper：
人类耗时8年的工作，AI跑了53小时
量子计算机目前最大的问题，就是硬件太简陋。
现有的量子机器只有几百到几千个量子比特。
这些量子比特极其脆弱。
热量、震动甚至宇宙射线都会干扰它们，微小的扰动积累起来就会算出错误答案。
既然硬件不够用，科学家只能拼命改写算法，让电路少用量子比特，缩短运行时间。
一个典型例子是模拟固氮酶里的核心铁硫簇FeMoco。
弄清这个分子有助于制造更高效的工业化肥催化剂。
2017年，科学家算过一笔账。
要算出FeMoco的最稳定能量状态，量子计算机需要运行大约50万亿个Toffoli门。
这是衡量计算时间的核心指标。
全球众多顶尖研究团队花了整整8年接力优化。
才把这个数字降到3.4亿个门。
降幅高达15万倍。
但这意味着，哪怕换到未来拥有300万物理量子比特的超级机器上，也得算上好几个小时。
人类团队每次取得一点进展，通常都要耗费好几个月。
而这一次，Claude拿出椭圆曲线算法的重大突破，只用了一次53小时的连续运行。
这次实验用的是Claude Mythos 5模型。
AI之所以能在这件事上大显身手，是因为量子电路本质上可以写成普通代码。
研究人员把电路占用的量子比特数量乘以量子门数量，作为唯一的评分标准。
Claude在这个封闭环境里不断提交方案、接收报错与分数、修改代码。
完全自主迭代。
在这8个关键计算模块中，AI给出的电路用到的量子比特和门数量，都少于此前已发表的最优算法。
它没有走修修补补的老路。
而是在理解了底层的数学结构之后，推翻了原来的底层设计。
连推数学定理，打破可逆计算死穴
第一个被攻破的硬骨头是点加法。
这是椭圆曲线离散对数问题的核心步骤，也是评估量子算法能力的标准标杆。
这个计算里最贵的一步叫做模反转。
在传统电脑上，这个操作通常用一种叫做divsteps的算法来做。
divsteps在传统电脑上跑得极快。
但它一直无法做成实用的量子电路。
因为量子物理有两个严苛限制。
第一，它不能做if-else分支判断。
传统程序遇到条件判断只要走其中一条路，量子电脑同时处在多种状态叠加中，必须同时把所有路径都算一遍。
第二，量子电路绝不能随意丢弃草稿纸。
传统程序算完中间步骤可以直接删掉内存。
量子计算的每一步都必须可逆。
如果直接擦掉中间数据，整个计算结果就会被破坏。
要清空临时数据，唯一的办法就是把刚才的计算过程完整倒着算一遍，这叫撤销计算。
在divsteps算法里，每一步选择哪种操作都会留下分支记录。
如果要把这个算法搬到量子电脑上，就必须把整个分支历史全部存下来。
这需要耗费极其惊人的量子比特。
Claude接手这个任务后，敏锐地意识到：历史记录其实根本不需要存。
AI提出一个设想。
每一步计算完成后，留在手里的那对数字本身，就已经保留了足够的数学痕迹。
只要找到规律，就能直接通过当前的数字反推刚才走了哪个分支。
Claude先试了几个简单的反推规则，在小规模测试里表现不错，但在256位的大数字上全崩了。
随后它改变思路，开始从理论层面死磕。
它推导证明了一系列代数恒等式。
借助这些数学公式，Claude找到了一个精确的解码公式，能从数字对里无损还原分支信息。
它先用大规模数值模拟验证了公式。
随后又用数学证明语言Lean对这套理论完成了严格的形式化证明。
最终，Claude写出了全球第一个不需要额外存储历史分支记录的可逆divsteps算法。
解码需要耗费时间，存储需要耗费比特。
Claude接着寻找两者的平衡点。
通过微调存储与解码的切换阈值，它给出了一整套设计方案。
其中一个方案，仅仅增加了12%的量子比特，就让量子门数量暴跌到原来最小设计的十七分之一。
发现万分之一概率，把谷歌记录砍掉12倍
第二个重大突破发生在量子优化算法DQI上。
DQI是目前最有希望在复杂优化问题上实现超多项式加速的算法之一。
它最核心也最昂贵的一步，是做Reed–Solomon纠错解码。
谷歌量子AI团队此前推算过一个特定问题。
用全球顶尖的Frontier超算来解，需要大约三个月。
用未来的量子电脑跑DQI算法，大约只需要一小时。
而这一小时里，几乎所有时间都在跑解码器。
谷歌此前的顶尖方案采用的是扩展欧几里得算法。
这个算法在传统机器上很灵活，但到了量子电脑里就成了累赘。
因为不同输入需要运行的步数不一样，量子电路为了兼容所有可能，只能按照最坏情况把每一步、所有分支从头到尾全跑满。
Claude直接推翻了这个基础架构。
它改用了Berlekamp–Massey算法。
这个算法每一轮运行相同的步骤，运行的总轮数完全固定，天生适合量子电路这种一条道走到底的模式。
换了算法之后，同样面临临时数据无法擦除的难题。
按最极端的罕见情况来算，电路需要准备665个量子比特来保存中间值，普通硬件根本吃不消。
Claude写了一个高速模拟器。
直接跑了4.03亿次采样测试。
统计数据揭示了一个事实：极端情况出现的概率微乎其微，绝大多数运算最多只需要存一个中间值。
Claude立刻调整策略。
它不再为极端情况留足冗余，只预留了19个量子比特。
只有大约万分之一的概率会因为空间不足而报错。
这个失败率完全落在算法允许的误差范围之内。
算法底层更换、运行时重构数据、砍掉极端冗余。
三项改动叠加，Claude把解码器需要的门数量直接削掉了整整12倍。
AI包揽算法到硬件的日子不远了
在早期的测试里，Claude其实非常保守。
它经常过度怀疑已经发现的改进，甚至对早就验证过的结果反复核验。
这种谨慎让它写出了严谨的Lean数学证明，但也让它一开始更倾向于使用人类已有的成熟老路。
研究团队后来强制它必须同时提出多条完全不同的解决路径，并且偶尔人工提醒它放开思路。
这才逼出了AI推导全新数学公式的潜力。
现在的量子计算机开发面临一个痛点：纠错码、解码器、物理硬件控制彼此高度关联，但由于系统太复杂，人类科学家只能把各个模块拆开，各自单独设计。
既然这些底层的逻辑都可以转化为代码、验证结果、打出分数，这就完全在AI的能力射程之内。
未来，AI不仅能帮人类优化某一个具体的电路。
它完全有可能把算法、容错机制和底层硬件串联在一起，直接定制出一台针对特定分子模拟或材料研发的专用量子计算机。
--end--
最后记得⭐️我，每天都在更新：如果觉得文章还不错的话可以点赞转发推荐评论
/...@作者：你说的完全正确（YAR师）
