18 октября 2026

На этой неделе компания Anthropic опубликовала результаты эксперимента, в котором языковая модель самостоятельно проектировала квантовые схемы. Модели предоставили описания восьми вычислительных примитивов на естественном языке, автоматизированный оценщик и возможность работать без участия человека между итерациями. В семи случаях из восьми модель получила схемы, которые превзошли лучшие опубликованные решения. В некоторых случаях улучшение составило порядок величины или больше. В восьмом случае модель построила конструкцию, которой не было в литературе.

Той же неделей датируется и результат Google в области коррекции квантовых ошибок.

Публикация и участники исследования

• Работа выпущена в рамках программы Stem Fellows компании Anthropic. Препринт размещён на arXiv 15 октября 2026 года. Объём статьи составляет 46 страниц. Название: «Discovering state-of-the-art quantum circuits with large language models».
• Главный автор: Энди Гу (Andy Gu), стипендиат программы.
• Научный руководитель: физик-теоретик Алек Кемпени (Alek Kempeni).
• Соавторы: Сюзан Елен (Suzan Jelen) и Михаил Лукин (Mikhail Lukin) из Гарвардского университета.
• 16 октября Anthropic опубликовала собственную статью о проектировании более эффективных квантовых схем с помощью Claude.

Все приведённые в статье цифры взяты из публикаций Anthropic или из самого препринта. Независимая репликация пока не проведена.

Метод

Система состоит из трёх элементов:

1. Генератор. Claude получает спецификацию вычислительного примитива и предлагает схему на языке Python.
2. Оценщик. Отдельная программа, а не другая языковая модель, проверяет корректность схемы и вычисляет её качество.
3. Цикл. Результат возвращается генератору, который исправляет схему. Цикл повторяется без участия человека между итерациями.

Оценка рассчитывается как число кубитов, умноженное на число квантовых вентилей. Этот показатель примерно соответствует времени выполнения схемы.

Anthropic сообщает, что Claude выполнял проектирование преимущественно самостоятельно.

Авторы объясняют, почему выбраны квантовые схемы:

• оценщик независим от генератора, поэтому правдоподобно выглядящая, но ошибочная схема получает нулевую оценку;
• цель выражается числом, поэтому модель видит, помогла ли правка;
• у квантовых схем есть строгая, дешёвая и автоматическая проверка корректности.

Аналогичный принцип применяется в наборах тестов, которыми управляются агенты-программисты.

Восемь примитивов охватывают химию, оптимизацию, квантовое моделирование, теорию чисел и численные вычисления.

Особенности квантовых схем

Квантовые схемы накладывают два ограничения, которых нет у классических программ.

• Отсутствие условных переходов. Классическая программа выбирает ветвь A или B. Из-за суперпозиции квантовая схема должна содержать операции для каждой ветви в каждом прогоне.
• Невозможность отбрасывать данные. Каждый шаг должен быть обратимым. Стирание вспомогательных значений загрязняет результат. Единственный способ очистки состоит в обратном выполнении вычислений, что требует дополнительных вентилей. Возникает компромисс между числом кубитов и числом шагов, у которого нет прямого классического аналога.

Сжатие схем важно, поскольку современное оборудование несовершенно. Текущие машины содержат от нескольких сотен до нескольких тысяч кубитов и очень чувствительны к ошибкам. Небольшой нагрев, слабая вибрация и даже космические лучи вызывают сбои. Накопление ошибок делает результат непригодным.

Для задач взлома шифров, разработки новых лекарств и создания сверхпроводников при комнатной температуре необходимы схемы с минимальным числом кубитов и минимальным временем выполнения.

Результаты

Бинарная инверсия (div steps)

Главный результат касается модульной инверсии в простых полях. Криптография на эллиптических кривых опирается на операцию сложения точек, самой затратной частью которой является модульная инверсия.

Классические компьютеры выполняют её быстро с помощью алгоритма div steps. На каждом шаге алгоритм поочерёдно меняет, складывает или вычитает числа и делит их на два. При этом он формирует информацию о ветвлениях и отбрасывает её.

Квантовый компьютер не может отбрасывать промежуточные данные. Для сохранения всей истории ветвлений потребовалось бы непрактично большое число кубитов. Поэтому ранее версия div steps считалась непрактичной для обратимой арифметики целых чисел.

Подход Claude состоял в следующем: не сохранять историю ветвлений, а восстанавливать её обратным ходом по конечным результатам.

• Сначала модель подбирала правила вслепую. Они переставали работать, как только числа достигали шести бит.
• Затем модель перешла к анализу. Она исследовала, как меняются итерации div steps, доказала набор новых алгебраических тождеств и на их основе записала точное правило декодирования.
• Правило формально верифицировано в системе Lean.

Авторы утверждают, что это первая обратимая реализация div steps без сохранённой истории ветвлений. По их оценке, результат сдвигает границу Парето для всего семейства схем. Один из новых вариантов использует на 12% больше кубитов, но имеет в 17 раз меньше вентилей, чем самый компактный из предыдущих.

Этот результат, по мнению авторов, позволяет компилятору с избыточным бюджетом кубитов уменьшать число вентилей.

Сложение точек на эллиптических кривых

По данным Anthropic, Claude получил начальные указания и, помимо них, лишь изредка получал дополнительные подсказки. За один непрерывный прогон продолжительностью 53 часа модель нашла новый подход. Она:

• доказала алгебраические тождества;
• проверила формулы на крупномасштабных численных симуляциях;
• формализовала теорему в Lean.

Формальная верификация исключает трактовку результата как правдоподобного, но не подтверждённого.

Декодирование Рида — Соломона

Квантовая интерферометрия с декодированием (DQI) представляет собой алгоритм оптимизации. Его применяют к задачам логистики, планирования и проектирования материалов. Самым затратным шагом алгоритма является декодер Рида — Соломона.

Предыдущая конструкция Google использовала расширенный алгоритм Евклида. Поскольку квантовые схемы не могут содержать ветвлений, этот алгоритм пришлось растянуть на большое число раундов.

Claude предложил перейти на декодирование Берлекэмпа — Мэсси. Этот алгоритм выполняет одну и ту же операцию в каждом раунде. Однако при таком подходе возникла проблема с памятью. Каждый раунд оставляет временные данные, которые нужны для отмены вычислений. Обработка исключительных случаев в наихудшем варианте для всех 35 раундов потребовала бы пяти кубитов.

Модель применила тот же приём обратного выполнения, чтобы освободить большую часть памяти. Остались лишь несколько выбросов. Резервировать под них значительный объём памяти было бы безопасно, однако модель выбрала другой путь:

• написала быстрый симулятор;
• провела 403 миллиона пробных декодирований, чтобы определить частоту выбросов;
• установила, что в почти всех случаях достаточно одного значения;
• зарезервировала 19 кубитов;
• допустила, что примерно один запуск из 10 000 потребует больше ресурсов и завершится неудачей. По утверждению авторов, это укладывается в допустимый бюджет ошибок.

Итог: декодер использует в 12 раз меньше вентилей, чем декодер Google.

По оценкам Google Quantum AI, решение одной задачи OPI на суперкомпьютере Frontier заняло бы около трёх месяцев. На будущем квантовом компьютере с алгоритмом DQI то же самое занимает около одного часа. Большая часть этого часа приходится на декодирование Рида — Соломона, поэтому двенадцатикратное сокращение относится к главной составляющей времени вычислений. В некоторых публикациях утверждается, что это сокращает час до нескольких минут.

Проверка заявлений

Ряд утверждений о работе требует уточнения.

Кофактор FeMoco. Железо-молибденовый кофактор входит в состав нитрогеназы и играет ключевую роль в производстве удобрений. В 2017 году оценка числа операций Тоффоли, необходимых для его моделирования, составляла около 50 трлн. Новая оценка, приведённая в публикации Anthropic, составляет около 340 млн. Для квантового компьютера с примерно тремя миллионами физических кубитов расчёт занимает несколько часов. Anthropic характеризует это снижение как примерно тысячекратное.

Срок в 8 лет. Китайский новостной сервис Shinch сообщил, что людям потребовалось 8 лет, а Claude справился за 53 часа. Сама Anthropic приписывает снижение числа операций за восемь лет работе многих исследовательских групп. Проект Claude является одним из шагов на кривой, которая уже снижалась. Кроме того, 53 часа относились только к вычислениям для эллиптических кривых.

Восемь из восьми задач. Тот же источник утверждал, что Claude выполнил все восемь задач. На самом деле семь результатов оказались лучше опубликованных, а в одном случае модель предложила новую постановку задачи.

Ограничения результатов

• Базовые значения. Для сравнения использовались таблицы самой статьи. Базовыми служили проекты Shota и Lera, работа Luo и соавторов (2026) и работа Katar и соавторов (2025).
• Воспроизводимость. Пока никто не запустил тестовую среду повторно. До этого момента результаты остаются заявлениями авторов.
• Осторожность модели. Anthropic признала ошибку в поведении модели. Сначала она была чрезмерно консервативной. Модель оспаривала обоснованные улучшения и дважды или трижды проверяла схемы, которые, вероятно, были корректны. Эта осторожность однажды оказалась полезной: она побудила провести формальное доказательство в Lean для div steps. В целом, однако, она склоняла поиск к устоявшимся подходам.
• Структура решения. Новый результат, по мнению Anthropic, возник благодаря структуре поиска. Модель параллельно исследовала несколько качественно различных подходов и периодически получала импульс для расширения области поиска. Авторы отмечают, что разработчики сложных моделей с циклами оценки, вероятно, сталкивались с подобным эффектом. Именно параллельность Anthropic считает переносимым приёмом.
• Новая постановка задачи. Сама статья считает новую постановку задачи основной ценностью результата. Поиск, который только подбирает параметры внутри известной структуры, имеет ограничения.

Если отвлечься от физики, эта архитектура представляет собой модуль-генератор и независимый верификатор, которые работают над общим результатом. Такая схема типична для современных серьёзных агентных систем. Работа завершается тогда, когда тест пройден, а не тогда, когда результат звучит правдоподобно. Критик здесь беспристрастен: это не модель с собственным мнением, а симулятор, который принимает схему или отвергает её. Если программная проверка невозможна, распространённым решением является использование другой модели в роли судьи.

Маршрутизация моделей

Сервис OpenRouter опубликовал один из наиболее подробных разборов этой архитектуры. Он описывает её как задачу маршрутизации:

• дешёвая модель генерирует большое число предложений, а более мощная модель используется только для проверки;
• либо панель моделей работает над одним запросом.

Сервис предоставляет доступ к более чем 200 моделям через одну конечную точку. OpenRouter не проектировал эти схемы, однако воспроизведение процесса требует сотен раундов предложения, оценки и исправления для каждого примитива. Поэтому сервис рекомендует автоматическое аварийное переключение вместо того, чтобы зависеть от работы одного поставщика в течение 12-часовых поисков.

OpenRouter также ведёт архив инцидентов, связанных с ИИ. Каждый задокументированный инцидент получает источник, степень тяжести, уровень достоверности и отметку о том, оспаривается ли он.

Доступ к моделям и цены

• Mythos 5 недоступна публично. Доступ ограничен проверенными партнёрами и участниками программы верификации. Публичного API не существует.
• Anthropic выпускает каждый шаг серии Frontier в двух версиях с одинаковыми весами.
• Mythos содержит кибер- и биозащиту, настроенную для проверенных специалистов по защите.
• Fable работает с полным набором защитных механизмов.
• Публичный вариант — Claude Fable 5. Цена: 10 долларов за миллион входных токенов и 50 долларов за миллион выходных токенов. OpenRouter применяет эти цены без наценки.
• Fable 5.1 — публичный аналог Mythos 5.1. Стоимость такая же, но чтение из кэша дешевле на 75%. Окно контекста составляет 1 млн токенов, максимальный выход — 128 000 токенов, медианное время до первого токена — 2 секунды.

Исследование Google: магические состояния

15 октября Эмма Розенфельд (Emma Rosenfeld), исследовательница Google Quantum AI, и Крейг Гидни (Craig Gidney), инженер по квантовому программному обеспечению той же компании, сообщили, что культивация магических состояний работает на практике на их процессоре Willow. Метод снизил число ошибок примерно в 40 раз. Результаты опубликованы в журнале Science.

Зачем нужны магические состояния

Универсальные квантовые вычисления требуют выполнения определённого набора операций, которые невозможно выполнить на классических компьютерах. Такие операции корректируются с помощью магических состояний, которые предварительно создаются в исправленном от ошибок виде.

Проблема в стоимости. Качественные магические состояния, исправленные от ошибок, требуют огромных ресурсов. По некоторым оценкам, их производство может поглощать до 95% производительности квантового компьютера. После использования состояние безвозвратно исчезает.

Исследователи предсказали эту проблему в 2004 году, задолго до того, как квантовая информатика стала прикладной инженерией. Для постепенного решения потребовалось 20 лет.

Культивация

В 2024 году Гидни, Ноа Шатти (Noah Shutty) и Кодi Джонс (Cody Jones) развили идею из научной литературы и создали метод культивации.

Принцип работы напоминает фильтр:

1. В небольшую область чипа вводится зашумлённое состояние.
2. Выполняются строго скоординированные измерения, которые выявляют ошибки.
3. Неудачные попытки отбрасываются.
4. Оставшееся состояние становится очень чистым и одновременно адаптируется к большему полезному кодированию.

На бумаге метод мог значительно сократить размер машины, необходимой для практических задач.

Экспериментальная проверка

Реализация оказалась сложнее. Розенфельд наблюдала данные, которые, по-видимому, противоречили законам физики. После нескольких месяцев неопределённости, моделирования, обсуждений с коллегами и проверок согласованности она установила причину. В стандартной методике измерений команды было ошибочное допущение. Шум, вызванный дрейфом электронной аппаратуры и колебаниями температуры, снижал надёжность результатов теста.

Команда изменила подход как в теории, так и в инженерной части:

• добавила дополнительный контроль для снижения шума;
• разработала новую методику бенчмаркинга, которая использует процесс культивации для оценки самой себя.

Авторы утверждают, что это задало новый стандарт в квантовой метрологии.

Результаты

• Получены T-состояния с рекордной логической точностью.
• Это первая аппаратная демонстрация практического решения одного из крупнейших узких мест в этой области.
• Состояния перенесены из цветового кода расстояния 3 в поверхностный код расстояния 5.
• Цветовые коды — более новая схема коррекции ошибок, которая хорошо подходит для культивации. Поверхностные коды — более устоявшийся метод.
• Очищенные состояния сохранили качество после переноса.

Масштабирование метода ещё не доказано. До создания полезной машины с коррекцией ошибок, способной решать задачи, недоступные иным способам, Google предстоит преодолеть множество трудностей.

Открытые вопросы

• Будет ли проведена независимая репликация результатов по div steps и DQI.
• Будет ли опубликована тестовая среда. Авторы отмечают, что цикл оценки пригоден для многократного использования, а схемы в известной степени служат демонстрацией метода.
• Проявится ли описанный шаблон в задачах, где корректность нельзя проверить машинными средствами.
• Как проектирование схем соотносится с другими элементами квантового компьютера. Элементы обычно проектируются отдельно. Anthropic упоминает одновременную оптимизацию коррекции ошибок, компиляции и аппаратного обеспечения, однако отмечает, что это направление исследований, а не готовый результат.