Anthropic于10月16日发布一项研究，称其AI模型Claude在几乎无需人工干预的情况下，针对8类量子计算任务设计出比已发表最优方案更高效的量子电路。该研究将大模型的能力边界从文本生成延伸至量子算法设计领域，为AI辅助基础科学研究提供了新的实证案例。
量子计算机依靠量子比特运行，当前设备通常仅有数百到数千个量子比特，且对热量、振动、电磁噪声等环境干扰极为敏感。量子比特可处于0和1的叠加态，但极易因退相干而产生计算错误，需要极低温、隔离和纠错机制维持稳定。量子门则是对一个或多个量子比特施加的幺正变换，作用对象为叠加态与纠缠态。量子电路即按时间顺序排列的一组量子门，外加初始化、测量等步骤。衡量电路成本通常依据两个指标：所需量子比特数与量子门数量。两项数值越低，硬件压力、运行时间和噪声累积通常越小，因此减少电路资源占用是量子计算走向实用的关键路径之一。
研究团队以通俗语言向Claude描述了来自化学、优化、物理模拟、数论和数值计算等领域的8项任务，并设置自动评估程序。该程序检验Claude所提电路的正确性，并按“量子比特数×量子门数”进行打分，Claude随后依据反馈迭代改进，形成闭环设计流程。结果显示，Claude提出的新设计不仅减少了量子比特和量子门数量，且并非对既有方案的小幅微调，而是给出了新的数学与结构思路。
具体案例方面，在模拟硫化铁分子时，Claude利用分子的对称性和重复结构，将部分结果计算一次后重复使用；在量子优化算法的解码环节，其将最昂贵步骤的成本降低至原来的十二分之一。另一项代表性成果涉及椭圆曲线点加法，Claude经过约53小时的自主探索，提出无需存储完整分支历史即可反向运行的可逆算法，并形成一系列在量子比特数量与运行时间之间取得不同平衡的新设计。
研究人员认为，此类进展有望降低实用量子应用对硬件规模的要求，使新药设计、高效电池、新型催化剂和更清洁的肥料生产等领域的量子计算解决方案更早落地。研究同时指出，量子电路设计只是构建容错量子计算机的一环，纠错、硬件控制等问题仍需协同突破，AI在其中的作用目前仍集中于算法与电路层面的优化，尚不能替代硬件工程的进展。
从行业视角看，该研究的意义在于验证了大模型在特定科学问题上的自主搜索与迭代能力。量子电路设计长期依赖领域专家的经验与手工推导，搜索空间庞大且评估成本高，而自动化评估程序与模型的闭环结合，为这类组合优化问题提供了可复用的方法框架。Anthropic并未披露该能力是否会产品化，但其研究方向与当前AI厂商向科学发现场景渗透的趋势一致。若后续研究能够覆盖更多任务类型并接受独立验证，AI辅助量子算法设计或将成为量子软件栈中的常规工具环节。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
