QuEra与Anthropic联手：AI重构量子算法，TQ-cost最高降39倍

搞容错量子计算，有两条曲线绕不开。一条看物理硬件怎么扩容、保真度怎么往上提；另一条看实用量子算法的资源消耗怎么往下掉。这几年，大家盯得紧的是头一条，超导、中性原子、离子阱、光量子几条硬件路线打得火热。可容错量子计算到底哪天能跑通有商业价值的真实任务，其实由第二条曲线说了算。

2026年11月10日，QuEra Computing专门讲了和哈佛大学、Anthropic一起做的研究。牵头的是哈佛与Anthropic联合培养的STEM研究员Andi Gu，知名物理学家Mikhail Lukin等人也参与其中。他们用大语言模型搭配独立验证器，把量子容错算法底层的核心算子重新做了一遍。

研究团队把Anthropic的大语言模型和一套独立的自动化验证评估器接在一起，瞄着大型容错量子算法里最烧资源的八个核心计算原语，展开演化搜索。

结果在七项任务上，AI自己设计出来的量子电路把人类科学家此前公认的最优基线全给压了过去，Toffoli门计数和峰值逻辑量子比特数量一并降了下来，综合资源指标（TQ-cost）最多缩了39倍。

第八项任务更特别，AI直接拿出一种全新的可逆模逆元计算架构。生成式AI和量子计算头部企业头一回在底层算法编译层面做到这种深度的工程化协同。

Mikhail Lukin说：“这为发现大规模实用量子计算机的算法打开了一条有前景的道路，QuEra、Anthropic和

计算的可逆性

容错量子计算里，量子门的操作成本并不一样。按东尼-费曼（Eastin-Knill）定理，任何量子纠错码都做不到在横向无差错传播的前提下实现通用量子计算。所以硬件系统得靠“魔术态蒸馏”制备高保真度的非Clifford门，通常是T门，或者由两个T门搭成的Toffoli门，把通用门集合补齐。

但是，典型容错体系里，生成一个Toffoli门要占的物理时间和物理辅助比特，可能是普通Clifford门（像CNOT、Hadamard门）的百倍甚至千倍。也就是说，Toffoli门的总量和峰值逻辑比特数，直接卡住了量子计算机能不能跑得动实际商业软件。

研究团队把托福利门计数（T）和峰值逻辑量子比特数（Q）乘在一起，定义成“TQ-cost”，拿它当衡量容错量子电路时空开销的硬指标。

经典计算里，可逆性是个约束。电路计算时要是产生了存中间结果的辅助量子比特，子程序收尾前必须靠精巧的逆向操作把它们彻底清零，不然残余的纠缠信息会直接把量子干涉效应毁掉。

可逆性这道约束，让不少在经典计算机上高效的算法，一搬到量子电路上就变得非常异常昂贵。为了保证结果不出错，量子电路必须整条都满足可逆性，门与门之间不能出现信息丢失。过去那种自动化的量子电路优化器，基本是在一套事先定好的等价门替换规则里打转，只对已有电路做局部修补，不会动通常只能在还是会受到电路的整体架构。

利用让AI来设计量子电路，思路就换了个方向。

此前利用用强化学习或深度学习去优化量子电路的研究也有不少，但它们大多是把候选方案摊平成一条条逻辑门序列，或者塞进固定的电路模块里。然而，在这项最新的研究中，研究团队通过OpenEvolve演化框架接入了Claude大模型，论文里写明用的是Claude Mythos 5等前沿模型，做法是直接让大模型动手编写Python代码，由这些代码在更高层级上生成量子电路。

函数调用、循环结构、命名寄存器、还有基于测量的解计算（MBU）原语，都是代码里能用的表达手段。等在这些内容在Python代码的表示形式下都完整保留了下来。

图：电路发现框架概览

基于此，大模型不必再去逐个搬动那些孤立的量子门，算术子程序本身以及它们的组合方式，都可以直接拿来做逻辑推理。这种推理能力的落点很具体。。改动一个共享的算术函数，电路中所有调用它的位置就会一起更新；把函数的调用次序调一调，中间变量何时生成、何时保留、何时擦除也随之改变。

同时，整条发现流水线被拆成了下面这些环节。“构思”和“演化重写”两个阶段，以防止大模型容易卡在单一架构里，落到局部最优。系统要做的，是把任务的数学规范、计算模型输入给大模型。、再给出正确性判据，逼着模型放开思路，想出好几套彼此完全不同的底层算法实现。方式。

之后便进入演化循环。在此，团队另外搭了一个完全独立的程序化评估器（Evaluator）。

程序写完后，AI必须先交给评估器做全面审查。评估器借助经典预言机，拿大规模输入样本做功能测试；部分高能物理任务的测试用例，覆盖范围甚至达到全域，或做了数万次随机验证。

如果输出结果和数学规范稍有一旦出现偏差，程序立刻被淘汰退回。。只有功能完全正确的方案，评估器才会去精确统计它消耗的Toffoli门总数与逻辑比特峰值，据此打分，表现优异的代码基因得以进入下一轮迭代。

大模型就是靠这种开放式代码重构加上严格的程序化验证……“”整个闭环跑下来，全程没有人类专家插手，模型自己就完成了重构。八大底层电路由此被改得更精简，代价也随之降了下来。八个核心原语都做了实测，披露的实验数据如下。资源开销。

本次研究这些测试落在五大核心领域：组合优化、数值函数计算、量子化学模拟、高能物理格点规范场模拟，另有相关方向。涉及，包括这八个计算原语，基本把当前容错量子算法里最耗硬件资源的瓶颈模块都覆盖了。挑出来的结果有这么几项：和密码学数论

量子组合优化方向上，解码量子干涉（DQI）算法在特定数学拟合问题上，它被证明有超出经典计算的超多项式加速潜力。，这当中开销最大的一步，是Reed-Solomon解码。

基线采用扩展欧几里得算法，Toffoli门数为510万，峰值量子比特1938。Claude改用Berlekamp-Massey递推，抓住解码任务里定位多项式在非零缩放因子下等价这一自由度，把两个分支的更新重构成共享同一条算术路径，从而不必再存储会被覆盖的多项式历史。一番调整后，Toffoli降到约44万，量子比特1837，综合指标提升12倍。

量子化学模拟、金融定价、量子微分方程求解这些场景，常常要在量子寄存器里做初等函数计算，例如反正弦函数、库仑势的反平方根，以及定点高斯函数。

拿库仑势任务来说，AI没有沿用先分别算三个坐标轴平方再求和的常规做法，而是在单一累加器里直接构建距离平方，并用更精细的线性查表取代高阶多项式乘法。Toffoli门由此从6355个降到1140个，量子比特从252个降到142个，TQ-cost缩减9.9倍。

定点高斯函数任务则是另一番情形。AI借助函数对称性折叠输入域，大幅裁剪查找表，并复用系数比特，把Toffoli门从24000个压缩至1583个，量子比特从362个降至139个，创下了整篇论文最高的39倍TQ-cost降幅。

八项计算原语的实测里，前七项都是在现有基线之上做优化，第八项才最引人注意，也就是素数域可逆模逆元运算。肖尔算法求解椭圆曲线离散对数问题（ECDLP）时，模逆元运算是核心算术子程序，整个密码分析电路的算力开销绝大部分都落在它身上。

经典密码学工程里，Bernstein和Yang在2019年提出的Divsteps算法，是计算最大公约数和模逆元的效率标杆。可量子算法专家想把它搬到量子计算机上时，却撞上了严重的内存爆炸。

在长达在53个小时的演化搜索中，Claude大模型配合自动评估器，针对256比特素数域椭圆曲线完整点加法的基准测试，自主研发出一种基于Divsteps的新型分支解码可逆方案。

图：以最小开销使决策步骤可逆

这套方案能在线性时序内高效重建中间分支判定位，既省去了海量历史路径的缓存寄存器，也带来一种全新的资源权衡形态：跟最省比特的原基线方案相比，门数量虽比侧重门优化的方案高出约17倍，消耗的逻辑量子比特数却减少至原先设计的12%左右。

软硬协同

过去八年，全球量子算法学界围绕固氮酶铁钼辅基（过去八年，全球量子算法学界一直在打磨固氮酶铁钼辅基（FeMoco）的模拟算法，围绕这一分子模拟所需的预估Toffoli门数量，一路降了约15万倍。而大模型驱动的演化搜索，把过去要人类顶尖团队花几个月甚至几年才能完成的电路重构，压缩到几十个小时的自动搜索里。

其实，这并非QuEra和Anthropic的首次合作。

就在今年8月份，QuEra宣布，Anthropic的AI智能体Claude在“模型硬件标准”（Model Hardware Standard，MHS）研究预览框架下，自行完成了量子计算机激光系统控制软件的编写，还自己做了验证。

测试里没有告诉AI智能体系统故障的具体原因，结果它在700次有限测试中，把激光系统恢复到目标状态695次，恢复率99.3%。大多数故障6秒内就能恢复，最复杂的故障要花约10-14秒，而人工专家通常得用5-10分钟。

把这两次动作串起来看，AI在容错量子计算里的位置已经很清楚：一是开发高可靠性的底层硬件控制软件；二是靠自动校准与故障恢复，支撑大型系统稳定运行；三是直接重构量子算法原语，把应用端的资源需求成数量级地砍下来。

问题是，当前量子计算设计里，顶层算法、逻辑电路、量子纠错码方案、魔态工厂供给以及底层物理执行架构，往往是各管各的、割裂优化的。

不过，随着程序化评估器与大模型搜索框架走向成熟，未来完全可能把逻辑错误率、魔态吞吐量和中性原子的物理移动开销放进同一个评估函数，做跨层级的端到端容错协同设计。

硬件在扩容，AI驱动的算法降本也在同一时间发力，实用化容错量子计算的商业化拐点，显然正被大幅提前。

[1]https://www.quera.com/press-releases/harvard-anthropic-and-quera-breakthrough-research-uniquely-shows-ai-can-reduce-the-resources-quantum-applications-need-significantly-accelerating-the-era-of-useful-quantum-computing

[2]https://arxiv.org/abs/2610.22367

[3]https://mp.weixin.qq.com/s/KYxgs7GGuwK8-3EDSv3xoA