Claude senkte die Gatteranzahl eines Quantenschaltkreises um den Faktor 17, indem es lernte, was es rückgängig berechnen konnte.

Ein Preprint von Anthropic und Harvard gab Claude Mythos 5 acht Probleme beim Entwurf von Quantenschaltkreisen. Sieben Entwürfe reduzierten sowohl Qubits als auch Toffoli-Gatter; in einem Fall werden 12 % mehr Qubits gegen etwa 17-mal weniger Gatter eingetauscht. Die Schaltkreise wurden per Simulation und teilweise in Lean verifiziert, aber nie auf Quantenhardware ausgeführt.

Beim klassischen Rechnen ist Scratch-Speicher kostenlos. Ein Programm schreibt Zwischenwerte auf einen Stack, beendet sich, und der Stack wird verworfen. Quantenschaltungen können das nicht: Ein Qubit kann nicht stillschweigend gelöscht werden, denn das Löschen eines Quantenzustands ist selbst eine Operation, die reversibel sein muss.

Diese Einschränkung ist der stille Engpass im Schaltungsdesign. Jeder temporäre Wert, den eine Schaltung benötigt, muss in einem zusätzlichen Qubit gespeichert werden, und diese Qubits sind die knappste Ressource in der Maschine. Der übliche Ausweg besteht darin, die Berechnung am Ende rückwärts laufen zu lassen und das Hilfs-Qubit in seinen ursprünglichen Zustand zurückzuversetzen – eine Technik namens Uncompute –, aber die Schaltung muss trotzdem wissen, wie das geht.

Ein am 15. Oktober auf arXiv veröffentlichtes Preprint von Andi Gu und drei Mitautoren bei Anthropic und Harvard übergab dieses Problem und sieben weitere an Claude Mythos 5.

Acht Probleme, eine Evaluator-Schleife

Der Aufbau war kein Chat. Das Modell schrieb Code, der einen Schaltkreis beschrieb; ein automatisierter Bewerter prüfte ihn, zählte Qubits und Toffoli-Gatter und gab eine Punktzahl zurück, damit das Modell beim nächsten Versuch besser werden konnte.

Sieben der acht daraus resultierenden Designs reduzierten sowohl die Qubit-Anzahl als auch die Toffoli-Anzahl gegenüber zuvor veröffentlichten Konstruktionen. Das achte ergab eine neue Möglichkeit, eine Berechnung reversibel zu machen.

Der prominente Fall ist die Punktaddition auf einer elliptischen Kurve – die Arithmetik, die einem Großteil der modernen Public-Key-Kryptographie zugrunde liegt. Das Speichern der vollständigen Historie dieser Berechnung ist teuer. Claudes Ansatz bestand darin, aus dem verbliebenen Zustand auf die gerade ausgeführte Operation zu schließen, anstatt jeden Schritt aufzuzeichnen. Frühe Regeln funktionierten bei kleinen Zahlen und versagten bei 256 Bit; dann arbeitete das Modell die algebraischen Beziehungen durch, um Regeln zu finden, die bei voller Bitbreite galten.

Nach 53 Stunden Suche, angeregt durch eine Problemstellung und einige menschliche Hinweise, brachte es eine Familie von Entwürfen hervor statt einer einzigen Antwort.

Wie der Trade-off tatsächlich aussieht

Der Vergleich ist der interessante Teil, denn er zeigt, dass „besser“ davon abhängt, an welcher Ressource es mangelt.

Claudes Entwurf verwendet 935 Qubits und etwa 4,01 Millionen Toffoli-Gates. Die Luo-Konstruktion benötigt weniger Qubits – 838 –, aber 69,53 Millionen Gates, rund 17-mal mehr. Ein dritter Ansatz von Schrottenloher kommt auf 1,9 Millionen Gates, verbraucht dafür aber 1.446 Qubits.

Nüchtern gelesen: Das Modell hat nicht beide Alternativen auf beiden Achsen geschlagen. Es fand einen anderen Punkt auf derselben Kurve, und der Punkt, den es fand, ist der, den die meisten vorhandenen Hardwareumgebungen bevorzugen würden.

Ein zweites Ergebnis und seine Ausfallrate

Die Arbeit überarbeitet außerdem einen Reed-Solomon-Decoder, der in einem Quantenoptimierungsalgorithmus verwendet wird. Indem Zwischenergebnisse aus dem aktuellen Zustand zurückgewonnen werden, statt sie zu behalten, verringert das Design die Zahl der Reserve-Qubits, die der Algorithmus vorhalten muss.

Die Autoren berichten, dass von 403 Millionen simulierten Durchläufen etwa einer von 10.000 mehr als das 19-Qubit-Kontingent benötigte und hätte fehlschlagen können. Das überarbeitete Design reduziert die Toffoli-Gatter um etwa das Zwölffache.

Diese Fehlerrate ist der ehrliche Teil des Ergebnisses. Ein Design, das im Durchschnitt günstiger ist, aber gelegentlich versagt, ist ein anderes Produkt als eines, das teurer ist und immer funktioniert, und die Arbeit verbirgt den Unterschied nicht.

Was noch nicht geschehen ist

Nichts davon wurde auf Quantenhardware ausgeführt. Die Schaltkreise wurden programmatisch und durch Simulation geprüft. Der Lean-Beweisprüfer hat einige der zentralen mathematischen Behauptungen verifiziert, nicht den gesamten Schaltkreis. Und das Manuskript wurde nicht durch Peer Review geprüft.

Diese Einschränkungen sind hier wichtiger als sonst, weil es sich bei den Zahlen um Ressourcenzählungen und nicht um gemessene Leistung handelt. Eine Gatteranzahl ist eine Eigenschaft des Designs; ob das Design Rauschen, Kalibrierungsdrift und den Optimierungen des Compilers selbst standhält, ist eine Frage, die nur eine Maschine beantworten kann.

Warum es dennoch erwähnenswert ist

Die interessante Behauptung ist nicht, dass ein Modell einen besseren Schaltkreis entworfen hat. Sie besteht darin, dass Schaltkreisdesign eine billige, automatische Bewertungsfunktion hat – Qubits zählen, Gatter zählen – und dass ein Modell in diese Schleife eingesetzt und sich selbst überlassen werden kann, um zu suchen.

Dort, wo ein Gebiet seine eigenen Ergebnisse bewerten kann, kann KI gegen diese Bewertung iterieren. Die Quantenschaltkreis-Synthese ist einer der wenigen Bereiche der Physik, in denen die Bewertung eindeutig und der Suchraum riesig ist, was dem Idealfall nahekommt. Der größte Teil der Ingenieurwissenschaften ist nicht so, und das Papier tut nicht so, als wäre es anders.

Was es zeigt, ist enger und nützlicher: Wenn das Ziel zählbar ist, kann das Modell 53 Stunden damit verbringen, womit ein Doktorand ein Jahr verbringen würde, und mit einer Familie von Entwürfen zur Überprüfung zurückkommen.

Quelle: Preprint von Andi Gu und Mitautoren (Anthropic, Harvard), arXiv, 15. Oktober 2026, wie von Tuoi Tre berichtet.

Kontakt: [email protected]

Bitte beachten Sie, dass die deutsche Version von Ai unterstützt wird und daher geringfügige Fehler auftreten können.

AUTOR

Über ABN Asia: Ai-Banking-NetworkSecurity (ABN), ABN Asia wurde im Jahr 2012 gegründet und ist ein Unternehmen mit akademischem Hintergrund, das von Lehrkräften und ehemaligen Studierenden aus Ungarn, den Niederlanden, Russland, Deutschland und Japan gegründet wurde. Wir teilen eine gemeinsame Leidenschaft und eine klare Vision für Technologie, die Innovation und erstklassige Qualität für unsere Kunden bringt. Unser Motto lautet: Besser. Schneller. Sicherer. In vielen Fällen: Günstiger.

Zögern Sie nicht, uns zu kontaktieren, wenn Sie IT-Dienstleistungen, digitale Beratung, Standardsoftwarelösungen benötigen oder uns Angebotsanfragen (RFPs) senden möchten. Sie können uns unter [email protected] kontaktieren. Wir sind bereit, Ihnen bei all Ihren Technologiebedürfnissen zu helfen.

© ABN ASIA