Die von dem KI-Unternehmen Anthropic entwickelten Quantenschaltkreise senken die kombinierten Ressourcenkosten zentraler Rechenbausteine drastisch. Gemessen an den sogenannten TQ-Kosten – dem Produkt aus teuren Toffoli-Quantenoperationen und der maximal benötigten Anzahl an Qubits – unterbieten die vom Modell Claude Mythos 5 generierten Architekturen bisherige handgefertigte Baselines um Faktoren zwischen 4,1 und mehr als 9.100.
Die Ergebnisse bauen auf einer Forschungsarbeit auf, für die am 15. Oktober 2026 das 46 Seiten umfassende Begleitpapier mit dem Titel „Discovering state-of-the-art quantum circuits with large language models“ auf dem Preprint-Server arXiv eingereicht wurde. Das Dokument enthält zehn Abbildungen sowie sechs Tabellen und dokumentiert den Einsatz des Sprachmodells bei der Konstruktion hocheffizienter Quantenschaltkreise.
Drastische Reduktion des Ressourcenbedarfs
Die stärkste Verringerung erzielte das System beim sogenannten Hermitian-DQI-Decoder. Hier sanken die benötigten Toffoli-Gatter von 100 Millionen auf 930.000, während die Zahl der Spitzen-Qubits von 190.000 auf 2.395 reduziert werden konnte. Das entspricht einer Senkung der TQ-Kosten um mehr als das 9.100-Fache gegenüber dem bisherigen Vergleichswert.
Auch bei weiteren algorithmischen Bausteinen fielen die Einsparungen deutlich aus:
* Fixed-Point-Gaussian: Reduktion um den Faktor 39
* HHL-Rotationswinkel: Reduktion um den Faktor 32
* Coulomb-Potential: Reduktion um den Faktor 9,9
* Nicht-Abelsche Gittereich-Simulation: Reduktion um den Faktor 7,7
* Fe2S2-Alias-Select: Reduktion um den Faktor 4,1
Bei der Decoded Quantum Interferometry ersetzte das Modell den erweiterten Euklid-Algorithmus durch ein Berlekamp-Massey-Decoding. Dadurch verringerte sich die Gatterzahl des Decoders um den Faktor 12 gegenüber einer früheren Konstruktion von Google, was den teuersten Schritt des Algorithmus um etwas über eine Größenordnung günstiger machte.
Im Fall des Reed-Solomon-DQI-Decoders fielen rund 440.000 Toffoli-Gatter statt 5,1 Millionen an, während die Spitzen-Qubits von 1.938 auf 1.837 sanken. Zudem wurde ein Worst-Case-Speicher von 665 Qubits durch 19 Qubits ersetzt, bei einer Fehlerrate von etwa 1 zu 10.000.
Während die technologische Entwicklung im Bereich der Künstlichen Intelligenz rasant voranschreitet, schafft der Gesetzgeber mit dem EU AI Act verbindliche Rahmenbedingungen für den Einsatz solcher Systeme. Dieser kostenlose Leitfaden bietet Unternehmen einen kompakten Überblick über alle neuen Anforderungen, Pflichten und Fristen. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Neue Ansätze für modulare Inversion
Für die modulare Inversion über Primkörpern entwickelte das System eine reversible divsteps-Architektur. Das Design rekonstruiert Verzweigungsentscheidungen aus Zwischenwerten, anstatt sie fortlaufend im Quantenspeicher abzulegen: 87,6 Prozent der Verzweigungen werden direkt aus den Registern dekodiert, während 12,4 Prozent auf einem 60-Qubit-Stack verbleiben.
Bei einem Fehlerbudget von ε ~ 10^-4 umfasst ein Benchmark-Schaltkreis für die reine Arithmetik-Komponente rund 4 Millionen Toffoli-Gatter und 935 Qubits. Die Korrektheit dieser Architektur wurde durch numerische Simulationen sowie einen Lean-Beweis abgesichert.
Insgesamt entwarf das Modell Schaltungen für acht Aufgaben aus Bereichen wie Chemie, Optimierung, Physiksimulation, Zahlentheorie und Numerik. In sieben dieser Aufgaben sanken sowohl die Zahl der Toffoli-Gatter als auch der Qubit-Bedarf im Vergleich zu den publizierten Referenzen.
Bei der Punktaddition auf elliptischen Kurven entstand nach 53 Stunden Laufzeit mit begrenztem menschlichem Eingriff ein Entwurf, der zwar 12 Prozent mehr Qubits als das kleinste bisherige Design benötigt, dafür jedoch 17-mal weniger Gatter aufweist.
Der Einsatz hochentwickelter KI-Modelle stellt Unternehmen nicht nur vor technische, sondern auch vor komplexe rechtliche Herausforderungen durch neue Regulierungen. Erfahren Sie in diesem kostenlosen Report, welche KI-Systeme als Hochrisiko eingestuft werden und welche konkreten Dokumentationspflichten jetzt auf Sie zukommen. Umsetzungsleitfaden zum EU AI Act jetzt kostenlos herunterladen
Validierung und Einordnung
Geleitet wurde das Projekt von Andi Gu im Rahmen des STEM Fellows Programms von Anthropic, betreut von Alek Kemeny. Beteiligt waren zudem Susanne Yelin und Mikhail Lukin von der Harvard University beziehungsweise QuEra. Das Modell arbeitete in einem geschlossenen Regelkreis mit automatisiertem Bewerter und verarbeitete Klartext-Instruktionen weitgehend autonom.
Anthropic positioniert das System damit für wissenschaftliche Design-Workflows jenseits reiner Textgenerierung. Dennoch befindet sich das Vorhaben in der Designphase und richtet sich vor allem an Forscher und Quanteningenieure: Die Überprüfung der Schaltungen erfolgte bislang ausschließlich per Software auf klassischen Computern und nicht auf physischer Quantenhardware. Zudem scheitert das Optimierungsdesign in etwa einem von 10.000 Durchläufen.
Welche Bedeutung derartige Effizienzgewinne für die praktische Umsetzbarkeit haben, verdeutlicht der historische Vergleich am Eisen-Molybdän-Cofaktor FeMoco, der eine zentrale Rolle bei der biologischen Stickstofffixierung spielt: Lag eine Schätzung aus dem Jahr 2017 für dasselbe 54-Orbital-Modell noch bei rund 50 Billionen Toffoli-Gattern, reduzierte sich dieser Aufwand durch algorithmische Fortschritte inzwischen auf etwa 340 Millionen Gatter. Das entspricht einer Senkung um das rund 150.000-Fache und würde auf einem künftigen Rechner mit etwa 3 Millionen physikalischen Qubits nur noch wenige Stunden Rechenzeit beanspruchen. Heutige Quantenrechner verfügen im Vergleich dazu erst über Hunderte bis Tausende Qubits.