Anthropic: Claude entwirft Quantenschaltkreise und übertrifft veröffentlichte Bestwerte

Claude entwirft Quantenschaltkreise und übertrifft veröffentlichte Bestwerte

Anthropic lässt Claude nach eigener Darstellung Quantenschaltkreise entwerfen. Dabei seien veröffentlichte Bestwerte übertroffen worden. Laut dem Unternehmen auf seiner Science-Seite erhielt das Modell Klartext-Spezifikationen für acht Schaltkreise aus Chemie, Optimierung, Physiksimulation und Zahlentheorie. Hinzu kam ein automatisierter Evaluator, der jedes Design prüft und bewertet.

Claude habe, so Anthropic, weitgehend selbstständig Designs gefunden, welche die besten veröffentlichten Schaltkreise verbessern, in einigen Fällen um eine Größenordnung oder mehr. Das ist eine Herstellerangabe. Unabhängig bestätigt ist sie nicht.

Der Evaluator spielt dabei die zentrale Rolle. Er liefert dem Modell eine überprüfbare Rückmeldung: Erfüllt ein Entwurf die Vorgabe, und wie gut schneidet er ab? Welche Aufgaben genau gestellt wurden und nach welchen Metriken bewertet wurde, geht aus dem vorliegenden Material nicht hervor. Ebenso wenig lässt sich sagen, in welchen Fällen die Verbesserung eine Größenordnung erreicht und in welchen sie deutlich kleiner ausfällt.

Gu, Kemeny, Yelin und Lukin: Wer die Arbeit trägt und was ungeprüft bleibt

Andi Gu hat die Arbeit im Rahmen des Anthropic STEM Fellows Program geleitet. Das Mentoring übernahm Alek Kemeny, Quantenphysiker bei Anthropic. Außerdem beteiligt sind Susanne Yelin von der Harvard University und Mikhail Lukin, der in Harvard und bei QuEra Computing tätig ist. Anthropic verweist auf ein vollständiges Paper auf arXiv, das die Details enthalten soll.

Anthropic leitet aus den Ergebnissen ab, die Verbesserungen senkten die für nützliche Anwendungen nötigen Quantenressourcen wesentlich. Praktische Quantencomputer könnten dadurch früher kommen als bisher erwartet. Das ist eine Prognose des Herstellers und bleibt vorerst Spekulation. Prüfen lässt sie sich nur an den Ressourcenschätzungen im Paper, an unabhängigen Analysen und an den Hardware-Roadmaps.

Offen bleibt, wie groß die Neuerung insgesamt ausfällt. Ohne Zahlen lässt sie sich nicht beziffern. Eine Relevanz für die Kryptografie ist im vorliegenden Material ebenfalls nicht belegt.

Spezialisierte Optimierer als Vergleichsfeld: AlphaTensor-Quantum, ZX-Reinforcement-Learning, Toffoli-Algebra

Bisherige Ansätze zur Schaltkreisoptimierung sind spezialisierte Verfahren. AlphaTensor-Quantum setzt Deep Reinforcement Learning ein, um den T-Count über eine Tensorzerlegung zu senken. Laut Abstract übertrifft es bestehende Methoden auf arithmetischen Benchmarks. Es findet zudem die besten menschlich entworfenen Lösungen für Arithmetik aus Shors Algorithmus und für Quantenchemie-Simulation.

Ein weiterer RL-Agent vereinfacht Schaltkreise mithilfe von ZX-Diagramm-Regeln. Trainiert auf 5-Qubit-Schaltkreisen, verbessert er laut Abstract den Stand der Technik für Clifford+T-Schaltkreise bis mindestens 80 Qubits und 2100 Gatter.

Eine algebraische Methode zur Toffoli-Minimierung erreicht oder verbessert laut Abstract alle berichteten Benchmark-Ergebnisse. Die meisten Schaltkreise berechnet sie in unter einer Minute auf einer CPU. Frühere Arbeiten brauchten dafür tausende TPUs. Ein Monash-Bericht erweitert AlphaTensor-Quantum zu einem allgemeinen Agenten für zufällige Schaltkreise mit fünf bis acht Qubits, der ohne Neutraining auskommt.

Einen Leistungsvergleich mit Anthropics Ergebnissen erlaubt die Faktenlage nicht. Dafür fehlen die Zahlen.