Claude Mythos 5量子电路设计门数压缩17倍 硬科学基准7/8超越已发表最优

2026年10月，Anthropic STEM Fellows项目公布，Claude Mythos 5在53小时实验中针对量子纠错解码器等8个基础量子算法任务完成设计，其中7个任务超越已发表最优方案，最极端案例将门电路数量压缩17倍。

事实还原

实验由研究员Andi Gu主导，Harvard大学与QuEra Computing研究人员参与协作。Claude Mythos 5仅凭自然语言指令，自主提出方案、接收自动化评分反馈并迭代优化，全程无人工干预。任务覆盖化学、物理模拟、优化、数论和数值计算等八个计算模块。自动化评估器对每个设计进行正确性检查并打分资源消耗。

其中一个突出结果涉及椭圆曲线算术中的模逆运算。Claude Mythos 5针对divsteps算法开发出可从中间数值直接恢复分支决策的方法，消除了存储完整分支历史的需求。最终混合设计在比此前最小设计多12%量子比特的前提下，门数减少17倍。

机制拆解

量子电路必须保持可逆性，无法简单丢弃临时信息，这导致存储分支决策需要大量额外量子比特。Claude Mythos 5通过推导数学恒等式、数值模拟验证并用Lean形式化证明，实现了决策恢复机制。该方法既可完全省去存储，也可与部分存储结合，形成资源权衡空间。

同一项目中，另一个优化将领先量子优化算法中最昂贵步骤的成本降低了约12倍。这些改进均来自模型在闭环中的反复设计-测试循环。

产业影响

更高效的电路设计直接缓解量子硬件在量子比特数量与门操作资源之间的权衡压力。此前2017年对FeMoco基态能量模拟的资源估算已从约50万亿个Toffoli门降至约3.4亿门，降幅约15万倍。自动化电路优化若能持续推进，可能进一步缩短实用量子计算的时间线。

现有量子设备量子比特数量有限且易受环境干扰，AI生成的低资源电路为工程师在有限硬件上运行复杂算法提供了更多选项。

战略判断（分析而非事实）

从代码生成到量子算法设计的跨越，表明大模型能力评测边界正向硬科学核心渗透。这意味着现有基准榜单若仍以自然语言或通用编程任务为主，可能无法充分反映模型在可验证科学发现中的实际表现。未来榜单设计需考虑引入更多需形式化验证与资源优化的硬科学任务，以避免评估滞后于能力演进。

对量子计算领域而言，AI辅助设计可能成为加速资源优化的常规工具，但硬件误差校正与控制可靠性等瓶颈仍需独立解决。利益相关方中，量子硬件厂商可借此降低对大规模量子比特的需求，而依赖传统手动电路设计的团队则面临方法论转型压力。