Andi Gu、Alek H. Kemeny 等 · Anthropic / Harvard / QuEra · 阅读原文
原始来源：Andi Gu、Alek H. Kemeny 等 · Anthropic / Harvard / QuEra
发现渠道：Hacker News · 原始讨论
量子算法常受制于两种资源：量子比特保存多少中间状态，以及量子门执行多少次操作。可逆计算要求临时信息最终被“反计算”清除，不能像普通程序那样直接覆盖。将经典算法搬进量子电路时，保存每轮分支历史因此可能消耗大量空间。研究团队让 Claude 提出 Python 形式的电路，外部程序检查行为并统计资源，再把反馈交回模型迭代。
论文考察八类基础计算。模型先提出不同算法家族，分别优化，再共享有用方案。七类任务同时减少门数和比特数；椭圆曲线点加法则改善两者的取舍。其关键是重做模逆运算，即求一个数在模运算下的倒数：从当前数值恢复 divsteps 的分支，避免全存历史，并对分支恢复结论进行数值检查和 Lean 证明助手中的形式化检查。与此前最小设计相比，一种方案多用约12%比特、少用约17倍 Toffoli 门；Toffoli 是资源估算中较昂贵的一类逻辑门。
另一例把纠错解码改成更适合固定回合的 Berlekamp–Massey 方法，并恢复多数临时值。在允许约万分之一失败的条件下，只为一个例外值预留空间；整段解码门数约降12倍。这些是电路设计和资源估算，尚非实际量子设备上的应用提速。
可信度 65 · 重要性 83 · 新颖度 81
技术与主题
AI 编程 · 评测与基准 · 推理能力 · Reversible Computing · Quantum Circuit Optimization · Formal Verification
keeganryan
对同一量子电路工作的技术分析；评论本身不是资源结果的复现。
忠实转述（非原句）：他把工作放在可由经典计算机模拟的量子电路语言背景下：候选能够迅速检查、评分和淘汰，适合让模型反复优化。他认为这类任务很适合自动化，并指向其他电路优化案例；这是对任务结构的解释，不是独立重测本论文。
编辑评读
这项工作的可迁移之处，是给搜索留出结构变化的空间，同时让评估仍有明确对象。只能在已有电路上改门序列，可能找不到“从状态恢复历史”这类架构变化；直接放开任意程序，又会丢掉可检查性。论文选择能在计算基输入上追踪比特串和相位的电路类别，因此能够尝试高层改写。HN 的 keeganryan 强调这一可模拟条件，这有助于理解为什么它适合自动搜索，却不能据此把所有量子算法都归为同样容易验证的任务。
更要区分确定性的分支恢复与用小概率失败换资源。前者需要检查命题及实现范围，后者需要检查允许失败的输入分布和预算如何传到完整算法。两者都可以是有效改进，比较时却不能只剩“少了多少门”。我会优先复核候选列表、相同误差门槛下的资源前沿，以及高层改写在全尺寸输入上的反例。53小时运行说明这次搜索的墙钟时间；没有完整的人力和模型消融，不能把它解释成普遍替代同等研究时间的倍数。
需要留意
- 自报电路资源；允许失败的设计须按相同误差门槛比较，没有实际量子硬件提速测量。