Anthropic 报告称，Claude 设计的电路在八类量子计算基础任务上推进了 logical resource 的前沿。七项任务同时降低 Toffoli 门数与峰值 qubit，第八项为可逆模逆提出了新的架构和时空权衡。最值得关注的是评估器驱动的发现闭环；最需要克制的是，较低的 Toffoli × qubit 仍属于逻辑电路层证据，无法单独证明真实硬件上的有效计算更快。每项结果都需要一份账本，把优化目标、正确性、失败预算、搜索成本、逻辑资源和硬件结果连起来。
研究实际做了什么
论文定义了八类编译任务，覆盖数值计算、化学、优化、量子模拟和数论。每轮搜索从人工编写的任务规格和空白高层 Python 程序开始。Claude Mythos 5 提出多组算法路线、迭代候选程序，再接收程序化评估器的反馈。
评估器有两个职责：
- 拒绝不满足功能合同的候选；
- 统计执行的 Toffoli 门数
T与峰值 logical qubitQ，主要按TQ排序。
这套方法适用于论文选中的一类电路，因为它们以相干方式计算经典函数。在计算基输入上，允许的操作可以通过跟踪 bit string 与 phase 模拟，无需维护指数规模的完整状态向量。评估器检查输出、必须保持的输入、所有 ancilla 是否归零，以及 phase 是否符合目标。
搜索也不是一条不断增长的长对话。每次迭代都会启动新模型会话，输入任务规格、父代程序、评估反馈、部分备选方案和此前短笔记。MAP-Elites 在 (T,Q) 平面的不同区域保留候选，让节省空间但当前乘积稍差的设计仍可继续演化。
这套架构是重要的系统成果：模型可以提出大幅度、可能错误的修改，因为模型外部评估器会筛掉完成态不合格的设计。这里的独立表示评估器独立于提案模型，并不等于已有外部团队完成独立复现。
报告的收益确实属于逻辑电路收益
论文主表给出了多项显著改进。以 Decoded Quantum Interferometry 使用的 Reed-Solomon decoder 为例，基线约为 510 万个 Toffoli 和 1938 个 qubit；新设计约为 44 万个 Toffoli 与 1837 个 qubit，TQ 约改善 12 倍。
在 prime-field modular inversion 任务中，搜索发现了 divsteps 的新可逆实现。传统方案为了在 uncompute 时知道前向分支，需要保存大量分支历史；新设计从当前算术状态恢复许多分支，只保存难以恢复的部分，因此形成一组新的时空 Pareto 前沿。其中一个代表点比此前最省 qubit 的 point-addition 设计多用 12% qubit，但门数减少 17 倍。
八项结果反复出现三种结构性变化：
- 让数据经过一个共享的昂贵操作，替代多份受控算术模块。
- 从当前状态的不变量恢复分支历史，减少完整 history stack。
- 在明确失败预算下，删除只服务极少数高成本输入的资源。
这类收益来自算法与数据表示重构，已经超出局部门删除。它们在论文规定的电路模型中推进了逻辑 Pareto 前沿。
TQ 有用，也不完整
Toffoli 在容错架构中需要昂贵的 non-Clifford 资源，门数常被用作逻辑工作量和运行时间代理。峰值 logical qubit 近似处理器空间。二者乘积能同时惩罚时间与空间，减少把全部成本从一条轴搬到另一条轴的情况。
但 TQ 仍是代理指标。相同乘积的两条电路，可能需要完全不同的 magic-state factory、并行调度、路由、测量延迟、classical feed-forward 或 code distance。硬件连接拓扑也可能改变胜负。
论文通过保留 Pareto 集而不是只留一个标量冠军，部分缓解了这个问题。工程决策还要继续把逻辑前沿映射到物理层：
- physical qubit 与 code distance；
- magic-state 生产与调度；
- 路由和连接开销；
- 测量与 feed-forward 延迟；
- 总运行时间和能耗；
- 端到端算法成功概率。
每次有效优化后，瓶颈都可能迁移。decoder 降低 12 倍很有价值，前提是 decoder 确实主导目标 DQI 实例的成本；当它不再是限速器，下一阶段会决定总运行时间。
失败预算也是价格
部分收益有意用最坏情况支持换取有界错误。这是合理的量子算法工程，但失败概率必须紧挨资源数字记录。
在 Reed-Solomon decoder 中，朴素可逆 Berlekamp-Massey 为罕见更新历史最多需要 35 个 stack entry，即 665 个 qubit。新设计只保留一个 19-qubit entry。Anthropic 文章称，约每一万次采样解码会有一次需要更多空间并失败。论文进一步报告，在 4 亿样本中，两类相关故障的合计概率为 1.4 × 10^-4。
模逆设计也采用了有界选择。它为历史分支保留 60 个 qubit，而观测最坏情况需要 263 个，同时只支持固定停止时间窗口。论文估计单次模逆的 stack overflow 约为 2.4 × 10^-6，停止时间假设失败约为 10^-5，都被纳入 2 × 10^-4 的总失败预算。
这些概率属于显式设计参数，而不是被隐藏的 bug。它们对系统的影响仍取决于子程序调用次数、事件相关性、放大机制、重试策略和上层算法错误预算。单次概率很小，在大量重复调用后也可能变成关键约束。
正确性证据分为多个层级
评估器检查的内容超出最终经典输出。没有清理的 ancilla 可能继续和逻辑寄存器纠缠；错误 phase 也可能在输出 bit 完全正常时破坏后续干涉。因此测试覆盖输出、输入保持、ancilla 归零与 phase。
面对大输入空间，评估器使用轨迹抽样，而不是穷举所有输入。论文给出了统计界，把固定候选的全通过样本换算成缺陷概率上界。固定候选是关键条件：如果搜索过程反复适应同一测试集，验证信息就可能泄漏进候选。最终 holdout 或独立生成的测试样本需要与优化反馈分开。
divsteps 分支恢复得到了更强的处理。团队报告了大规模数值模拟和 Lean 形式化，并公开了 uncompute 证明仓库。这提升了核心不变量的可信度，但不等于八条完整电路、全部门数、评估器和物理硬件结论都已经形式化验证。
截至 10 月 15 日的 arXiv v1，论文源码引用了 OpenEvolve 与 Lean 仓库，但没有给出包含八项最终程序、评估器快照、搜索档案、Prompt、模型调用和历史结果的统一复跑包。公开材料足以进行技术审读，完整搜索的精确独立复跑仍是下一道门。
搜索成本必须进入账本
Anthropic 称，椭圆曲线 point-addition 结果来自一次 53 小时运行，人工干预主要是初始 brief 和少量扩大搜索范围的提示。这个数字可以描述一个案例，不能代表八项研究的总成本。
科学优化系统至少应记录：
- 模型与 API 快照；
- 模型调用、Token 总量和失败迭代；
- 墙钟时间与并发；
- CPU、GPU 与模拟器时间；
- 评估候选数量；
- 人类规格设计、干预和复核时间；
- 形式化验证与独立审查成本。
搜索计算通常只支付一次，电路节省却可能在大量运行中重复兑现，因此昂贵发现仍可能划算。只有两边使用一致单位并声明摊销周期，才能复算投资回报。
六层成本与验证账本
一份可复用的 AI 科学产物账本至少包含六层：
| 层级 | 必须记录 | 阻断问题 |
|---|---|---|
| 任务合同 | 函数、输入分布、允许错误、电路模型 | 优化的是不是目标对象 |
| 正确性 | 评估器版本、测试、holdout、证明范围、失败样本 | 实际验证了哪些行为 |
| 逻辑资源 | Toffoli、qubit、depth、测量、Pareto 前沿 | 改善了哪个逻辑瓶颈 |
| 发现成本 | 模型、调用、算力、耗时、人工工作 | 找到设计花了什么成本 |
| 物理映射 | 纠错码、架构、路由、factory、运行时间 | 优势能否穿过硬件编译 |
| 复现 | 发布工件、Hash、外部重跑、审查状态 | 另一个团队能否复算 Claim |
每个标题数字都应链接到账本中的一行。这样，TQ 改善 12 倍仍然是一条强结论，同时不会被拉伸为应用速度提升 12 倍。
这项结果真正改变了什么
这项研究支持一个精确结论：当问题拥有足够表达力的程序接口、成本可承受的正确性检查，以及能反映关键资源权衡的目标函数时，评估器驱动的 LLM 搜索可以发现新的逻辑电路架构。
它还不能推导出容错量子计算会在某个时间点到来。电路设计只是错误纠正、逻辑操作、控制、制造、校准与应用经济性中的一层。研究价值来自对这一层的可测改进，以及一套可能迁移到其他问题的发现流程。
合理的后续动作很明确：冻结任务，发布评估器与候选工件，保留失败预算，把 Pareto 前沿映射到硬件模型，再让独立团队重跑。完成这些步骤后，一个优秀的 AI 候选才会逐步沉淀为可累积的科学证据。
常见问题
Claude 设计的是可以直接运行在真实量子计算机上的电路吗？
Claude 在特定电路模型下生成 logical circuit program。论文评测逻辑正确性和资源代理指标，没有在大型容错硬件上完整运行这些设计。
12 倍提升具体指什么？
对 Reed-Solomon decoder 而言，它约指相对引用基线的 Toffoli 门数与峰值 logical qubit 乘积降低 12 倍，不能直接等价为墙钟时间加速 12 倍。
电路已经被形式化证明正确了吗？
候选通过了涵盖输出、输入保持、ancilla 清理和 phase 的程序测试，大输入空间采用统计抽样。divsteps 的核心不变量另有 Lean 形式化。证明范围还没有覆盖每条最终电路及其硬件映射。
为什么允许少量失败？
极少数最坏输入可能决定巨大的 qubit 与门数储备。如果上层算法允许有界错误，删除只服务这些输入的结构可以降本，但必须记录概率及多次调用后的放大效应。
完整实验现在能独立复跑吗？
论文、arXiv 源码、OpenEvolve 引用和 Lean 证明仓库可公开读取。arXiv v1 没有链接统一的八项最终程序、评估器快照、搜索历史与模型调用包，因此历史实验的完整复现仍未闭环。
参考资料
- Gu 等：Discovering state-of-the-art quantum circuits with large language models
- Anthropic：Designing more efficient quantum circuits with Claude
- Lean uncompute 证明仓库
- Schrottenloher：Optimized Point Addition Circuits for ECDLP
- Luo 等：Space-Efficient Point Addition for ECDLP
- Jordan 等：Optimization by Decoded Quantum Interferometry