有两条曲线是实现容错量子计算必须关注的。一条是物理硬件的扩容和保真度提升曲线，另一条是实用量子算法的资源消耗下降曲线。
近几年，第一条曲线被业内重点关注，围绕超导、中性原子、离子阱、光量子等硬件路线展开激烈竞争。但是，容错量子计算何时能够跑通具有商业价值的真实任务是由第二条曲线决定的。
2026年11月10日，QuEra Computing重点介绍了和哈佛大学、Anthropic合作的研究。这项研究由哈佛与Anthropic联合培养的STEM研究员Andi Gu领衔，知名物理学家Mikhail Lukin等人参与，利用大语言模型配合独立验证器，重构量子容错算法底层核心算子。
具体来看，研究团队把Anthropic的大语言模型和一套独立的自动化验证评估器相结合，针对大型容错量子算法中最耗费资源的八个核心计算原语展开演化搜索。
实验结果显示，在其中的七项任务中，AI自主设计的量子电路全面超越了人类科学家此前公认的最优基线，同步降低了Toffoli门计数和峰值逻辑量子比特数量，还在综合资源指标（TQ-cost）上实现了最高39倍的缩减。
而在第八项任务中，AI直接设计了一种全新的可逆模逆元计算架构。这也是生成式AI和量子计算头部企业首次在底层算法编译层面实现深度的工程化协同。
Mikhail Lukin表示：“这为发现大规模实用量子计算机的算法打开了一条有前景的道路，QuEra、Anthropic和哈佛大学将继续合作。”
计算的可逆性
在容错量子计算中，量子门的操作成本并不是均等的。根据东尼-费曼（Eastin-Knill）定理，任何量子纠错码都无法在横向无差错传播的前提下实现通用量子计算。因此，硬件系统必须通过“魔术态蒸馏”来制备高保真度的非Clifford门（通常是T门或由两个T门构成的Toffoli门）来补齐通用门集合。
但是，在典型的容错体系中，生成一个Toffoli门所占用的物理时间和物理辅助比特资源，可能是普通Clifford门（如CNOT、Hadamard门）的百倍乃至千倍。也就是说，Toffoli门的总量与峰值逻辑比特数，直接构成了制约量子计算机能否跑得通实际商业软件的硬性指标。
研究团队将托福利门计数（T）与峰值逻辑量子比特数（Q）的乘积定义为“TQ-cost”，以此作为衡量容错量子电路时空开销的硬核指标。
在经典计算中，算数逻辑单元执行加减乘除后，可以随时丢弃或覆盖中间寄存器里的临时数据。但在量子计算中，为了维持量子态的相干叠加，所有计算过程必须严格遵循幺正演化的可逆性约束。
如果电路在计算过程中产生了保存中间结果的辅助量子比特，在子程序结束前，必须通过精巧的逆向操作将这些辅助比特彻底清零，否则残余的纠缠信息会直接破坏量子干涉效应。
这种可逆性约束让许多在经典计算机上非常高效的算法，一搬到量子电路上就变得异常昂贵。为确保结果正确，传统自动化量子电路优化器通常只能在预设的等价门替换规则下对既有电路做局部修补，还是会受到初始算法架构的限制。
利用AI设计量子电路
此前利用强化学习或深度学习优化量子电路的研究，很多都是把候选方案表示为扁平化的逻辑门序列或固定的电路模块。然而，在这项最新的研究中，研究团队通过OpenEvolve演化框架接入Claude大模型（论文中明确采用了Claude Mythos 5等前沿模型），直接让大模型编写用于生成量子电路的高层级Python代码。
函数调用、循环结构、命名寄存器、基于测量的解计算（MBU）原语等在Python代码表征下都被完整保留。
图：电路发现框架概览
基于此，大模型不用再单独挪动某几个孤立的量子门，能够直接对算术子程序及其组合方式进行逻辑推理。只要修改一个共享的算术函数，就能同步更新整个电路中的所有调用点；调整函数的调用顺序，就能直接改变中间变量的生成、保留与擦除时机。
同时，整个发现流水线被拆解为“构思”和“演化重写”两个阶段，以防止大模型陷入单一架构的局部最优。系统仅需要向大模型输入任务的数学规范、计算模型、正确性判据，强制要求模型发散思维，构想出数套完全不同的底层算法实现方式。
随后，系统进入演化循环。在此，研究团队构建了一个完全独立的程序化评估器（Evaluator）。
AI在完成程序编写后，必须提交给评估器进行全面审查。利用经典预言机，评估器针对大规模输入样本进行功能测试，在部分高能物理任务上，测试用例甚至覆盖了全域或数万次随机验证。
如果输出结果和数学规范稍有偏差，程序当场被淘汰打回。只有功能完全正确的方案，评估器才会精确统计其消耗的Toffoli门总数和逻辑比特峰值，并以此为依据给方案打分，保留表现优异的代码基因进入下一轮迭代。
大模型依靠这种“开放式代码重构+严格程序化验证”的闭环，在完全没有人类专家中途干预的情况下，自主完成并降低了八大底层电路的资源开销。
八大核心原语实测
本次研究披露的实验数据涉及五大核心领域，包括组合优化、数值函数计算、量子化学模拟、高能物理格点规范场模拟和密码学数论。这八个计算原语几乎囊括了当前容错量子算法中最吃硬件资源的瓶颈模块。精选结果包括：
在量子组合优化领域，解码量子干涉（DQI）算法被证明在特定数学拟合问题上具有超越经典计算的超多项式加速潜力，其中最贵的一步是Reed-Solomon解码。
基线采用扩展欧几里得算法，Toffoli门数510万，峰值量子比特1938。Claude换成了Berlekamp-Massey递推，利用解码任务只要求定位多项式在非零缩放因子下等价这个自由度，把两个分支的更新重构成共享同一条算术路径，避免了存储被覆盖的多项式历史。最终Toffoli降到约44万，量子比特1837，综合指标12倍提升。
在量子化学模拟、金融定价以及量子微分方程求解中，经常需要对量子寄存器里的数据进行初等函数计算，比如反正弦函数、库仑势的反平方根计算以及定点高斯函数。
在库仑势任务里，AI摒弃原本分步计算三个坐标轴平方再求和的常规套路，改为在单一累加器中直接构建距离平方，并用更精细的线性查表替代了高阶多项式乘法，使得Toffoli门从6355个降至1140个，量子比特从252个降至142个，TQ-cost缩减9.9倍。
而在定点高斯函数任务中，AI利用函数对称性折叠输入域、大幅裁剪查找表并复用系数比特，将Toffoli门从24000个压缩至1583个，量子比特从362个降至139个，创下了整篇论文最高的39倍TQ-cost降幅。
八项计算原语实测中，前七项都是在已有基线之上做优化，最值得关注的是第八项，即素数域可逆模逆元运算。模逆元运算是肖尔算法求解椭圆曲线离散对数问题（ECDLP）的核心算术子程序，占到了整个密码分析电路绝大部分的算力开销。
在经典密码学工程中，Bernstein和Yang于2019年提出的Divsteps算法是计算最大公约数和模逆元的效率标杆。然而，当量子算法专家试图把Divsteps搬到量子计算机上时，却遭遇了严重的内存爆炸。
在长达53个小时的演化搜索中，Claude大模型配合自动评估器，在256比特素数域椭圆曲线完整点加法的基准测试上，自主研发出了一种基于Divsteps的新型分支解码可逆方案。
图：以最小开销使决策步骤可逆
该方案能够在线性时序内高效重建中间分支判定位，不仅省去了海量历史路径的缓存寄存器，还创造了一种全新的资源权衡形态：相比最省比特的原基线方案，虽然门数量比侧重门优化的方案高出约17倍，但其消耗的逻辑量子比特数量却减少至原先设计的12%左右。
软硬协同
过去八年里，全球量子算法学界通过对固氮酶铁钼辅基（FeMoco）模拟算法的持续改进，曾将该分子模拟所需的预估Toffoli门数量降低了约15万倍。如今，大模型驱动的演化搜索将原本需要人类顶尖团队耗费数月甚至数年的电路重构周期，压缩到了几十个小时的自动化搜索之内。
事实上，这并不是QuEra和Anthropic的首次合作。
就在今年8月份，QuEra宣布Anthropic的AI智能体Claude在“模型硬件标准”（Model Hardware Standard，MHS）研究预览框架下，自己完成了量子计算机激光系统控制软件的编写工作，并完成自主验证。
结果显示，在没有告诉AI智能体系统故障的具体原因的情况下，AI智能体可以在700次有限测试中将激光系统695次恢复到目标状态，恢复率达99.3%；大多数故障可在6秒内完成恢复，最复杂的故障恢复需要约10-14秒，而人工专家通常需要5-10分钟。
把两次动作串联起来可以看出，AI在容错量子计算中的定位已经非常清晰了。第一，开发高可靠性的底层硬件控制软件；第二，通过自动校准与故障恢复支撑大型系统的稳定运行；第三，直接重构量子算法原语，成数量级地削减应用端的资源需求。
然而，在当前量子计算设计中，顶层算法、逻辑电路、量子纠错码方案、魔态工厂供给以及底层物理执行架构往往是割裂优化的。
但是，随着程序化评估器与大模型搜索框架的成熟，未来完全有可能将逻辑错误率、魔态吞吐量与中性原子的物理移动开销统一纳入同一个评估函数中，实现跨层级的端到端容错协同设计。
当硬件扩容和AI驱动的算法降本在同一时间交汇，实用化容错量子计算的商业化拐点，无疑正在被大幅提前。
[1]https://www.quera.com/press-releases/harvard-anthropic-and-quera-breakthrough-research-uniquely-shows-ai-can-reduce-the-resources-quantum-applications-need-significantly-accelerating-the-era-of-useful-quantum-computing
[2]https://arxiv.org/abs/2610.22367
[3]https://mp.weixin.qq.com/s/KYxgs7GGuwK8-3EDSv3xoA
