Claude projektuje układy kwantowe do 39x taniej

Trzy premiery w ciągu jednego tygodnia października 2026 roku pokazały, jak szybko sztuczna inteligencja wchodzi w obszar projektowania komputerów kwantowych. Anthropic poinformował, że Claude Mythos 5 – pracujący w zamkniętej pętli z automatycznym weryfikatorem – opracował obwody kwantowe lepsze od najlepszych publikowanych konstrukcji. Największa poprawa, 39-krotna w jednym z zadań, liczona jest według metryki kosztu przyjętej w samym artykule: liczby bramek Toffoliego pomnożonej przez liczbę kubitów.

To nie jedyny taki sygnał. Dwa dni wcześniej IBM Research ogłosił, że jego agenci AI znaleźli projekt dekodera korekcji błędów kwantowych, który w szacunkach syntezy wysokopoziomowej okazał się 204 razy szybszy od rozwiązania referencyjnego – przy koszcie wnioskowania wynoszącym 299 dolarów. Z kolei 15 października Google pokazał na swoim chipie Willow, że stany magiczne, czyli deficytowy składnik obliczeń kwantowych, można wytwarzać z około 40 razy mniejszym błędem. Ten ostatni wynik powstał bez udziału AI, ale doskonale uzupełnia obraz całości.

Jak wyglądała metoda badaczy z Anthropic

Praca powstała w ramach programu STEM Fellows prowadzonego przez Anthropic. Andi Gu, pod opieką fizyka Aleka Kemeny’ego z Anthropic, współpracował z Susanne Yelin i Mikhailem Lukinem z Harvardu (Lukin jest związany również z QuEra Computing). Preprint zatytułowany „Discovering state-of-the-art quantum circuits with large language models” trafił na arXiv 15 października i nie przeszedł jeszcze recenzji.

Zastosowane podejście to wyszukiwanie ewolucyjne oparte na otwartym narzędziu OpenEvolve. Model Claude Mythos 5 pisze programy w Pythonie generujące obwody, a niezależny ewaluator odrzuca każdy układ, który nie realizuje powierzonego zadania, i ocenia pozostałe według iloczynu liczby bramek Toffoliego i szczytowej liczby kubitów. Wybór metryki nie jest przypadkowy – bramki Toffoliego należą do najdroższych operacji w komputerze kwantowym, ponieważ wymagają kosztownych zasobów nie-Cliffordowych, co podkreślają sami autorzy.

Co istotne, model startował z pustego programu i samodzielnie wybierał algorytm oraz strukturę obwodu – jak piszą autorzy, „bez istotnej ingerencji człowieka”. Osiem zadań obejmowało chemię, optymalizację, symulację kwantową, teorię liczb i obliczenia numeryczne. W siedmiu z ośmiu przypadków odkryte układy znacząco zmniejszyły zarówno liczbę bramek Toffoliego, jak i kubitów względem dotychczasowego stanu wiedzy.

Wyniki na tle publikowanych rozwiązań

Tabela w artykule obejmuje sześć zadań, dla których istniał publikowany punkt odniesienia. Największą przewagę uzyskano w zadaniu stałoprzecinkowego rozkładu Gaussa: z 24 000 bramek i 362 kubitów zredukowano konstrukcję do 1 583 bramek i 139 kubitów, czyli 39 razy taniej. Kolejne miejsca to kąt rotacji HHL (32x), dekoder Reeda-Solomona dla DQI (12x), potencjał Coulomba (9,9x), symulacja nieabelowej teorii cechowania na sieci (7,7x) oraz alias-Select dla centrum Fe2S2 (4,1x).

Autorzy samodzielnie odtworzyli każdy publikowany punkt odniesienia, dostrajając go do najniższego możliwego kosztu, a redukcje obliczyli z niezaokrąglonych wartości. Siódme zadanie – dekoder dla wariantu zwanego hermitowskim DQI – nie miało publikowanego obwodu odwracalnego, z którym można by je porównać. Ósmym jest praca nad krzywymi eliptycznymi.

53 godziny nad krzywą eliptyczną

W algorytmach kwantowych dla logarytmów dyskretnych na krzywych eliptycznych dominującym kosztem jest dodawanie punktów, a większość tego kosztu pochłania inwersja modularna. Klasyczne komputery radzą sobie z tym krokiem sprawnie dzięki metodzie divsteps, jednak prosta wersja kwantowa musi przechowywać zapis każdego podjętego rozgałęzienia, co wymaga wielu dodatkowych kubitów.

Według Anthropic Claude w jednym 53-godzinnym przebiegu, „przy minimalnym wkładzie człowieka”, znalazł regułę pozwalającą odtworzyć ten zapis z samych liczb. Model przetestował ją w dużych symulacjach numerycznych, sformalizował w asystencie dowodowym Lean i wyprodukował „pierwszą odwracalną implementację divsteps bez przechowywanej historii rozgałęzień”. Następnie zbudował rodzinę konstrukcji wymieniających kubity na bramki. W porównaniu z najmniejszym wcześniejszym projektem jedna z nich zużywa o 12% więcej kubitów, ale ma 17 razy mniej bramek.

Krzywą odniesienia jest secp256k1, ta sama, której używa Bitcoin. Warto przypomnieć kontekst: w marcu zespół pod kierownictwem badaczy Google Quantum AI nie ujawnił swoich obwodów dla krzywych eliptycznych, publikując jedynie dowód z wiedzą zerową potwierdzający ich koszt – „w interesie odpowiedzialnego ujawniania”. Autorzy nowej pracy zdecydowali się opublikować swoją konstrukcję na arXiv. Krzywe eliptyczne stoją też za wieloma certyfikatami HTTPS i passkeys; krzywe NIST należą do tej samej rodziny co secp256k1, choć są to inne krzywe.

Dekoder DQI i 403 miliony symulacji

Drugi opisany przypadek to dekodowana interferometria kwantowa (DQI) – algorytm optymalizacyjny, który Anthropic nazywa jednym z najsilniejszych kandydatów do superpolinomialnego przyspieszenia kwantowego. Najdroższym krokiem jest dekodowanie, w zadaniu benchmarkowym realizowane przez dekoder Reeda-Solomona. Claude zastąpił rozszerzony algorytm Euklidesa z konstrukcji Google’a z 2025 roku dekodowaniem Berlekampa-Masseya, przeprowadził 403 miliony symulowanych dekodowań, by oszacować zapotrzebowanie na pamięć obwodu, i obniżył liczbę bramek dekodera 12-krotnie.

IBM i fabryka agentów po stronie klasycznej

IBM zajął się drugą stroną maszyny – sprzętem dekodera, który odczytuje sygnały błędów z procesora kwantowego i wylicza korekty. W badaniu wykorzystano Relay-BP dla kodu dwuwariacyjnego [[144,12,12]]. Ich „fabryka agentów” łączy agenta koordynującego z czterema równoległymi pracownikami, którzy przepisują kod dekodera, sprawdzają go i syntetyzują pod FPGA, w ramach budżetu 100 hipotez projektowych.

W artykule IBM model Claude Opus 5 w każdej roli doprowadził szacowane opóźnienie do 139 mikrosekund wobec 28 231 dla projektu referencyjnego – stąd raportowany współczynnik 204x przy szacowanym koszcie wnioskowania 299,45 dolara. Otwarty model GLM-5.3, hostowany przez IBM we własnej infrastrukturze, osiągnął 52x za 25,95 dolara, a przy podwojonym budżecie 200 hipotez – 60x. Konfiguracja hybrydowa z koordynatorem Claude Opus 5 i pracownikami GLM dała 126x za 105,25 dolara. Każdą konfigurację uruchomiono jednokrotnie, a koszty obejmują wyłącznie wnioskowanie modeli.

Stany magiczne i granice tego podejścia

Wynik Google’a, zrecenzowany i opublikowany w „Science”, dotyczy podaży. Uniwersalny komputer kwantowy potrzebuje stanów magicznych, których nie da się ponownie wykorzystać – Google przywołuje szacunki, że nawet 95% całej pojemności maszyny może być przeznaczone na ich wytwarzanie. Na chipie Willow protokół kultywacji stanów magicznych, zaprojektowany w 2024 roku przez Craiga Gidneya, Noaha Shutty’ego i Cody’ego Jonesa, obniżył błędy około 40-krotnie i wygenerował stany T o rekordowej logicznej wierności 99,99%. Firma zastrzega, że metodę trzeba jeszcze pokazać w większej skali.

Oba wątki łączy liczba bramek Toffoliego. Artykuł Anthropic zauważa, że gdy fabryki stanów magicznych mają ograniczoną przepustowość – „jak to zwykle bywa” – czas wykonania jest wąskim gardłem właśnie ze względu na ten licznik. Warto też spojrzeć na szerszy trend: szacunki kosztów projektowania spadają od lat przy niezmienionych założeniach sprzętowych. W 2019 roku Gidney i Martin Ekerå oceniali, że złamanie 2048-bitowego klucza RSA wymaga 20 milionów zaszumionych kubitów; w maju 2025 roku Gidney zszedł poniżej miliona przy tych samych założeniach. Dla FeMoco, centrum żelazo-siarkowego enzymu wiążącego azot, szacunek spadł z około 50 bilionów bramek Toffoliego w 2017 roku do około 340 milionów.

Anthropic zestawia te zmiany, które – jak twierdzi – „zajęły wielu grupom badawczym osiem lat” i zwykle wymagały miesięcy na każdy krok, z jednym 53-godzinnym przebiegiem Claude’a nad projektem krzywej eliptycznej. Dla krzywych eliptycznych marcowa praca pod kierownictwem Google szacowała, że rozwiązanie logarytmu dyskretnego na krzywej 256-bitowej wymaga mniej niż 1200 logicznych kubitów i mniej niż 90 milionów bramek Toffoliego; w lipcu Han Luo z zespołem zredukował liczbę kubitów logicznych do 835, ale kosztem znacznie większej liczby bramek.

Zastrzeżenia, które trzeba odnotować

Praca Anthropic pozostaje preprintem, a jej obwody to projekty logiczne sprawdzone przez klasyczny ewaluator, z symulacjami i dowodem w Lean dla reguły divsteps. Autorzy nazywają przyjętą metrykę kosztu jednym z kilku „równie rozsądnych” wyborów, ponieważ właściwy cel zależy od sprzętu i architektury korekcji błędów. Specyfikacje każdego zadania napisali ludzie. Anthropic dodaje, że Claude był w wczesnych eksperymentach „z natury konserwatywny”: podważał pozorne usprawnienia, ponownie sprawdzał już dobrze potwierdzone wyniki i preferował znane metody. Zespół musiał wymuszać na modelu równoległe rozwijanie kilku podejść i od czasu do czasu zachęcać go do szerszego przeszukiwania przestrzeni rozwiązań.

Nic Carter z Castle Island Ventures, cytowany przez „The Block”, stwierdził, że „nie ma bezpośredniego zagrożenia”, dodając jednocześnie, że AI „znacząco przyspiesza tempo postępu”. Żadna z październikowych zapowiedzi Anthropic, Google ani IBM nie podaje daty pojawienia się komputera kwantowego zdolnego złamać dzisiejsze szyfrowanie.

Co to oznacza dla przyszłości obliczeń kwantowych

Google wzmocnił w tym tygodniu stronę sprzętową, uzyskując czystsze stany magiczne na rzeczywistym chipie. Po stronie projektowej agenci AI proponują już obwody kwantowe i konstrukcje dekoderów, a klasyczny program sprawdza każdego kandydata. Anthropic sugeruje, że AI mogłaby optymalizować wszystkie komponenty maszyny z korekcją błędów jednocześnie – „od algorytmu aż po sprzęt” – a IBM już ma agentów pracujących nad sprzętem dekoderów.

Warto zauważyć, że w badaniu Anthropic każde wejście daje jedno określone wyjście, które zwykły komputer może zweryfikować – sprawdzenie następuje więc przed zbudowaniem czegokolwiek. Wniosek autorów jest warunkowy: jeśli AI potrafi przyspieszyć tę pracę, „użyteczne obliczenia kwantowe mogą nadejść szybciej”. Tego samego dnia Vals AI opublikowało indeks oceniający modele w zadaniach badawczych weryfikowanych automatycznie, a 17 października pisaliśmy o kontrprzykładach znalezionych przez AI dla hipotezy fuzyjnej z 1967 roku, gdzie wąskim gardłem pozostawało wybieranie problemów i testowanie wyników w laboratorium.

Źródło

Może Cię zainteresować