Claude设计量子电路效率提升10倍，STEM Fellows计划新突破

在量子计算领域，电路设计的效率直接决定了算法所需的资源量，进而影响实际应用的可行性。最近，Anthropic的STEM Fellows计划展示了一项引人注目的成果：基于自然语言指令，Claude Mythos 5能够设计出比已发表的最优方案更高效的量子电路，部分场景下效率提升甚至达到一个数量级或更高。

自然语言驱动的量子电路设计

据Anthropic在Twitter上发布的消息，其STEM Fellows项目探索了利用Claude Mythos 5根据纯自然语言指令设计量子电路的可能性。传统上，量子电路设计需要专家手动构建或借助专门的优化算法，过程复杂且耗时。而Claude的介入，意味着大语言模型开始涉足需要深度领域知识的工程优化任务。

这一方法的核心在于，模型不仅要理解量子门、量子比特等基本概念，还要在满足功能需求的前提下，寻找更紧凑、更高效的电路实现。实验结果显示，Claude设计的电路在效率上超越了现有公开的最佳方案，有些情况下优势非常明显——用Anthropic的话说，是“一个数量级或更多”。

量子电路是量子计算的底层表示形式，由一系列量子门（对量子比特施加的酉变换）按时间顺序排列而成，类似于经典电路中的逻辑门序列。常见的量子门包括单比特的Hadamard门、Pauli门，以及两比特的CNOT门等。电路深度指从输入到输出最长门序列的长度，门操作总数则反映整体复杂度；两者共同决定了算法在含噪声中等规模量子（NISQ）设备上的可行性，因为当前硬件的相干时间和门保真度都非常有限。所谓“更高效的电路”，通常指在保持相同计算功能（即实现相同的酉变换或算法结果）的前提下，使用更少的量子比特、更浅的电路深度或更少的门操作。量子电路优化因此成为编译器和算法设计中的核心问题，传统方法依赖模板匹配、代数化简或启发式搜索，而大语言模型能否在这一高度结构化的搜索空间中给出更优解，正是该实验试图回答的问题。

效率提升的意义：让量子应用更早落地

量子电路效率的提升直接减少了算法运行所需的资源。在量子计算中，资源通常指量子比特数、门操作次数或电路深度。更高效的电路意味着在同等硬件条件下，可以运行更复杂的算法，或者降低对硬件性能的要求，从而加速量子计算在化学和材料科学等领域的应用。

例如，在模拟分子结构和材料性质时，量子算法往往需要大量量子门操作。如果电路效率提升一个数量级，那么所需的量子比特数和相干时间要求都会显著下降，这有可能让近期量子设备就能处理一些之前认为遥不可及的问题。Anthropic指出，这类进步“可能使量子计算在化学和材料科学中的应用更早实现”。

量子比特数与相干时间是量子硬件两项关键约束。量子比特是量子信息的基本单元，但其状态极易受环境噪声干扰而退相干；相干时间即量子态保持稳定的时长，通常以微秒到毫秒计。量子算法必须在相干时间内完成全部门操作，因此电路深度越浅、门数越少，越容易在真实硬件上成功运行。此外，量子门操作本身带有误差，门数越多，累积错误越大，纠错开销也随之上升。这就是为什么电路效率提升一个数量级具有实际意义：它不仅降低了对量子比特数和相干时间的硬性要求，也减少了错误累积，使得在近期中等规模设备上运行原本需要更大规模硬件的算法成为可能。在量子化学模拟中，分子基态能量估计的资源需求对电路深度极为敏感，效率优化往往直接决定问题能否在现有设备上被处理。

STEM Fellows计划与AI for Science

这项成果来自Anthropic的STEM Fellows计划，该计划旨在支持科学、技术、工程和数学领域的研究者探索AI在各自领域的应用。量子电路设计只是其中一个案例，它展示了大型语言模型在需要专业知识和创造性优化的工程问题上的潜力。

与通用的代码生成不同，量子电路设计涉及对物理约束和算法逻辑的深刻理解，模型需要生成符合量子力学规则的电路结构。Claude Mythos 5能够从自然语言指令出发，完成这一任务，表明其在领域特定推理和优化方面具备一定能力。

目前，该成果的详细技术细节和实验数据尚未完全公开，但Anthropic提供了进一步阅读的链接，供感兴趣的研究者深入了解。随着AI在科学发现中的作用日益增强，此类探索有望推动更多跨学科创新。

“AI for Science”指利用人工智能方法加速科学发现的研究范式，涵盖蛋白质结构预测、材料筛选、数学猜想探索以及本文涉及的量子算法设计等方向。与通用代码生成相比，这一范式要求模型具备领域特定的推理能力：它不仅要生成语法正确的输出，还要满足该领域的物理或数学约束。大型语言模型在此类任务中的优势在于，它们从海量文献与代码中习得了领域模式，能够在自然语言描述与形式化结构之间建立映射；局限则在于缺乏显式的符号验证机制，生成结果仍需领域专家或自动化工具进行正确性校验。因此，此类成果通常被视为“人机协作”的起点，而非完全替代专家设计流程。