Claude Mythos 5量子电路设计：门数压缩17倍，8个任务7个超越最优

2026年10月，Anthropic STEM Fellows项目对外公布了一项实验结果：在53小时的实验里，Claude Mythos 5围绕量子纠错解码器等8个基础量子算法任务展开设计，其中7个任务的方案优于已发表的最优方案。最极端的一个案例，门电路数量被压缩了17倍。

事实还原

实验由研究员Andi Gu牵头，Harvard大学和QuEra Computing的研究人员共同参与。整个过程中，Claude Mythos 5只靠自然语言指令行事，自己提方案、接收自动化评分反馈、再迭代优化，没有人工插手。任务横跨化学、物理模拟、优化、数论和数值计算等8个计算模块，自动化评估器会逐个检查设计的正确性，并对资源消耗打分。

椭圆曲线算术中的模逆运算是一个亮眼结果。针对divsteps算法，Claude Mythos 5找到了一种办法：从中间数值直接恢复分支决策，从而不必存下完整的分支历史。最终的混合设计比此前最小的设计多用12%的量子比特，门数却少了17倍。

机制拆解

量子电路得保持可逆，临时信息没法随手丢掉，存分支决策因此要占用大量额外量子比特。Claude Mythos 5的做法是推导数学恒等式、用数值模拟验证，再以Lean形式化证明，由此实现决策恢复机制。这套方法既能完全省去存储，也能配合部分存储使用，形成一个资源权衡空间。

同一项目里还有一项优化，把领先量子优化算法中最昂贵的那一步成本压低了约12倍。这些改进都源自模型在闭环中一遍遍的设计-测试循环。

产业影响

电路设计更高效，量子硬件在量子比特数量和门操作资源之间的取舍压力就能直接缓解。2017年对FeMoco基态能量模拟的资源估算，已从约50万亿个Toffoli门降到约3.4亿门，降幅约15万倍。自动化电路优化若能持续走下去，实用量子计算的时间线或许还能再缩短。

眼下的量子设备量子比特有限，又容易受环境干扰。AI生成的低资源电路，让工程师在有限硬件上跑复杂算法时多了些选择。

战略判断（分析而非事实）

从代码生成跨到量子算法设计，说明大模型的能力评测边界正在往硬科学的核心地带渗透。现有基准榜单如果还是以自然语言或通用编程任务为主，恐怕难以充分反映模型在可验证科学发现中的真实表现。未来的榜单设计，需要考虑加入更多要求形式化验证与资源优化的硬科学任务，免得评估落在能力演进后面。

对量子计算领域来说，AI辅助设计有可能成为加速资源优化的常规工具，但硬件误差校正、控制可靠性这些瓶颈还得单独解决。量子硬件厂商可以借此减少对大规模量子比特的需求；依赖传统手动电路设计的团队，则要面对方法论转型的压力。