Anthropic AI利用Claude设计量子电路

概述

Anthropic 宣布在量子计算研究领域取得重大突破，这一进展由其中的STEM 研究员项目推动。最新发现表明，Claude，特别是先进的Claude 5模型，能够设计出超越现有最先进方法的量子电路。在获得自然语言指令后，该人工智能系统生成的电路不仅功能正确，而且在效率上也大幅优于人类专家或传统优化算法所设计的电路。

在多个测试案例中，Claude 设计的电路性能比已发表的最佳版本提升了一个数量级或更多。这种效率上的飞跃暗示了一种新范式：大型语言模型可作为专门科学领域的主要研究者，能够驾驭此前仅属于人类专家范畴的复杂数学景观。这些结果挑战了关于人工智能与人工监督在高风险科学发现中所扮演角色的传统假设。

电路设计领域的突破

这项研究的核心在于 Claude 5（注：原文为 Claude Mythos 5，此处保留原文命名语境）解释高层科学目标并将其转化为精确、优化的量子逻辑门的能力。传统的量子电路设计是一个艰辛的过程，需要深厚的线性代数、量子力学和硬件约束专业知识。研究人员通常花费数月时间手动完善逻辑门序列，以最小化错误和资源消耗。

据 Anthropic 称，AI 模型在此阶段主要自主工作。它接收到的描述性自然语言提示说明了所需的计算任务。对此，Claude 生成了满足这些规格的完整电路设计，同时严格优化逻辑门数量和电路深度。该模型并非仅仅从训练数据中检索现有模式；它构建了新颖的解决方案，其性能优于学术文献中目前使用的基准算法。

观察到的改进并非边际性的。在特定的化学模拟任务中，由 AI 得出的电路所需量子逻辑门更少即可达到相同的精度水平。这种减少至关重要，因为每一增加的门都会在当前易错的中等规模量子（NISQ）设备上引入退相干和错误的潜在风险。通过缩小电路规模，Claude 实质上提高了今天脆弱的硬件上量子计算的可靠性和速度。

“几乎完全自主地工作，Claude 设计了量子电路，其性能优于已发表的最佳版本，在某些情况下提升了一个数量级或更多。”

这种能力标志着从将 AI 用作编程助手到将其视为独立研究伙伴的转变。该模型能够“推理”通过量子力学的结构约束，使其能够识别出人类研究人员可能因认知偏见或对传统方法的熟悉而忽略的优化方案。

对实用量子计算的影响

量子计算面临的主要障碍不仅仅是构建处理器，而是高效利用其有限的资源。当前的量子计算机拥有少量的量子比特且错误率较高。因此，任何需要长序列逻辑门的算法很可能在完成任务前就失败。效率在此背景下不仅仅关乎速度；它是功能实现的前提条件。

更高效的电路减少了量子算法所需的资源，这可能使化学和材料科学领域的应用更快触手可及。这些领域有望带来变革性的好处，例如新型电池的设计、更有效的药物以及新型碳捕获材料。然而，模拟分子相互作用对于经典计算机而言难度呈指数级增长，这使得它成为量子优势最早期最有前景的应用案例之一。

如果 AI 能够常规性地生成使用少一个数量级逻辑门的电路，那么实用量子计算的时间窗口将显著拓宽。那些原本可能需要数百万个物理量子比特和完美纠错的问题，有可能在拥有数千个量子比特和更高噪声水平的设备上得到解决。这降低了实验物理学的入门门槛，并加速了实现有用真实世界模拟的时间表。

此外，这一进展表明，AI 模型的“样本效率”——即学习新任务所需的数据量——同样可能适用于复杂的物理系统。如果一个模型能够从文本和抽象推理中学习量子逻辑原理，它可以快速迭代数千种设计变体，而这对于人类团队来说代价高昂得不切实际。

STEM 研究员项目的作用

这项研究是通过 Anthropic 的 STEM 研究员项目进行的，该项目旨在配对 AI 研究人员与硬 STEM 领域的科学家。该计划旨在探索前沿模型如何协助解决世界上一些最紧迫的科学挑战。通过为 Claude 提供量子信息论的工具和约束，研究员们能够引导模型走向真正的科学贡献，而非简单的模式匹配。

该项目的成功凸显了提示工程在科学发现中的重要性。发布内容中提到的“自然语言指令”并非模糊的查询，而是精心设计的科学问题陈述。这强调了 AI 辅助研究未来的一个关键教训：输出质量在很大程度上取决于人类专家提供的输入指导的清晰度和具体性。

Anthropic 强调，这是 AI 整合到科学工作流的早期阶段。目标不是取代人类研究者，而是增强他们的能力，使他们能够专注于高层理论和实验验证，同时将繁琐的组合性电路优化工作委托给模型。

展望未来

随着量子硬件的不断演进，软件栈——即在机器上运行的算法和电路——必须变得越来越高效才能跟上步伐。Claude 自主设计更优电路的能力为此发展提供了强大的工具。这暗示了一个未来：科学家可以用语言描述一种物理现象，并获得一个可行的量子算法作为回报。

更广泛的影响超越了量子计算本身。如果 AI 能够掌握量子逻辑门优化的复杂性，它很快就能处理蛋白质折叠、核聚变模拟和气候建模中的类似挑战。STEM 研究员项目已经证明，当赋予恰当的上下文时，大型语言模型能够产出与人类专长竞争、甚至在某些方面超越人类专长的成果。

Anthropic 的研究人员现在正着眼于将此工作扩展到其他物理学和计算机科学领域。人们希望，这种人类智慧与人工智能之间的合作将加快发现步伐，使理论可能性比任何时候都更快地转化为切实可行的技术。随着该领域的进步，AI 工具与 AI 研究者之间的界限可能会继续模糊，重塑我们对科学创新本质本身的理解。