使用 Claude 設計更高效的量子電路

Claude 自動設計量子電路，效率超越現有最佳成果

Anthropic 發布最新研究指出，Claude 能根據自然語言規格，自動設計出比現有公開成果更高效的量子電路。這項工作由 Andi Gu 主導，屬於 Anthropic STEM Fellows Program 的一部分，由量子物理學家 Alek Kemeny 指導，並與哈佛大學的 Susanne Yelin 及 Mikhail Lukin 合作完成。研究團隊將 Claude 設計的電路與自動化評估器結合，結果顯示 Claude 在多個案例中找到更好的設計，部分情況下效率提升達一個數量級以上，這意味著實用型量子電腦可能比預期更早實現。

閉環優化與自動化評估機制

傳統量子電腦的量子位元（qubit）數量稀少，又容易受環境噪音干擾，因此減少電路所需的量子位元與運算時間成為關鍵目標。研究團隊利用 Claude 擅長寫程式的特性，建立了一套閉環優化系統。系統先由 Claude 根據自然語言描述提出量子電路設計，再由程式碼評估器檢查設計是否正確，並依所用的量子位元數量與閘門（gate）數量評分。這個評分就是 Claude 改進下一輪設計的依據，各回合之間沒有人類輸入。

研究涵蓋化學、優化、物理模擬、數論及數值計算等領域的八個計算原語。Claude Mythos 5 模型在這些任務中，都找到了使用更少量子位元與閘門的新設計，超越先前發表的最佳演算法。這些改進不只是對現有設計做微調，而是來自對問題結構與數學原理的新見解。例如在模擬鐵硫分子時，Claude 利用分子的對稱性與重複結構，把部分結果算一次後重複使用，不再對系統的每個部分重新計算。

突破模逆運算的記憶瓶頸

研究詳細描述了 Claude 在橢圓曲線點加法（point addition）任務中的發現。這項任務是量子演算法中離散對數問題的核心，成本主要來自模逆運算（modular inversion）。傳統電腦用 divsteps 演算法就能高效完成這項運算，但量子電路必須保持運算可逆，傳統方法得記錄每一步的分支資訊，結果需要大量額外的量子位元來儲存歷史記錄。

Claude 在 53 小時的自主運算中，提出一種全新的可逆實現方式。它推論出不必儲存完整歷史記錄，只要檢查迭代後的數值對，就能直接推斷（解碼）出分支資訊。為了驗證這個想法，Claude 除了進行大規模數值模擬，還用 Lean 將推導出的解碼規則公式形式化。這個方法做出了第一種不必儲存分支歷史的可逆 divsteps 實現。此外，Claude 還依儲存與解碼的成本差異，設計了一系列新電路，其中一種設計多用 12% 的量子位元，閘門數量卻減少 17 倍，擴展了量子位元與運算時間的帕累托前沿。

優化量子優化器中的 Reed-Solomon 解碼器

在另一項針對最佳化問題的研究中，團隊關注解碼量子干涉儀（DQI）中的 Reed-Solomon 解碼步驟，這是該演算法中最耗時的環節。先前以擴展歐幾里得演算法為基礎的設計，因為得處理不同的輸入路徑，迭代次數過多、效率低落。

Claude 判斷 Berlekamp-Massey 解碼法更適合量子電路，因為它每輪執行相同類型的步驟，迭代次數也固定。不過要讓這個方法可逆，就得處理暫時計算值的儲存問題。若按最壞情況預留記憶體，需要 665 個量子位元。Claude 執行 4.03 億次樣本解碼模擬後發現，絕大多數情況下最多只需儲存一個值。因此 Claude 把電路設計成只預留 19 個量子位元來儲存例外值，約萬分之一的情況會失敗，這在任務允許的錯誤率範圍內。

這三項改進是更換解碼方法、重構電路架構以重建暫時值，以及精確設定資源預算，三者合力使 DQI 中最昂貴的步驟成本降低約 12 倍。研究指出，Claude 在探索新方案時有時過度謹慎，但研究人員要求它並行探索不同方法，並偶爾提示它擴大搜索範圍，成功激發出它的創新能力。這些成果顯示，AI 有能力重新設計量子電路，加速有用量子計算的實現。