Claude Mythos 5 fant kvantekretser som slår publiserte design: 17 ganger færre porter for 12 prosent flere qubits
lørdag 17. oktober · KI-generert · Kilde: Anthropic
Gi Claude Mythos 5 en klar oppgave, en automatisk evaluator og én tallscore, og modellen finner kvantekretser som slår de beste publiserte designene, ifølge Anthropic.
Mange forskergrupper brukte åtte år på å kutte anslaget for å simulere jern-svovel-klyngen FeMoco fra rundt 50 billioner til 340 millioner Toffoli-porter. Claudes nye krets for punktaddisjon på elliptiske kurver kom ut av én enkelt kjøring på 53 timer, skriver Anthropic i en ny forskningsartikkel. Arbeidet ble ledet av Andi Gu i Anthropics STEM Fellows-program, sammen med Susanne Yelin og Mikhail Lukin ved Harvard.
Oppsettet er enkelt. Modellen fikk en beskrivelse i klartekst av åtte kretser fra kjemi, optimering, fysikksimulering og tallteori, pluss et evalueringsprogram som sjekker korrekthet og gir en score: antall qubits ganget med antall porter. Claude foreslo et design, fikk score tilbake og forbedret neste forsøk uten menneskelig input mellom rundene. På alle åtte fant den design med både færre qubits og færre porter enn de beste publiserte.
To funn skiller seg ut. For modulær invertering fant Claude en måte å lese grenhistorikken ut av tallene selv, slik at den ikke må lagres, beviste nye algebraiske identiteter og formaliserte resultatet i Lean. Én variant bruker 12 prosent flere qubits, men 17 ganger færre porter enn det minste tidligere designet. For Reed–Solomon-dekoderen i optimeringsalgoritmen DQI byttet den metode og kjørte 403 millioner simulerte dekodinger for å dimensjonere minnet: 19 qubits i stedet for 665 for verste tilfelle. Resultatet er 12 ganger færre porter enn Googles forrige konstruksjon.
«I de tidlige forsøkene våre var Claude konservativ av natur.» — Anthropic, i artikkelen om kvantekretsene
Modellen dobbelt- og trippelsjekket resultater som allerede sto støtt, og foretrakk kjente metoder framfor nye. Anthropic løste det ved å kreve flere kvalitativt ulike tilnærminger utviklet parallelt, og ved av og til å be modellen utvide søket.
For deg som bygger agenter er oppskriften overførbar til alt som kan skrives som kode og scores automatisk: en deterministisk evaluator, én objektiv score og tvungen parallell utforskning gjør en lang agentkjøring til et målrettet søk.