Markdown సంచిక

AI-translated from English; not yet reviewed by a fluent editor.

# గేట్‌లు, క్యూబిట్‌ల అంచనా వ్యయాన్ని తగ్గించే క్వాంటం సర్క్యూట్లను సూచించిన Claude

> Anthropic, Harvard ప్రీప్రింట్‌లో Claude క్వాంటం సర్క్యూట్లను సూచిస్తుంది; వేరొక మూల్యాంకన సాధనం వాటిని తనిఖీ చేస్తుంది. పత్రంలోని పోలికల ప్రకారం ఎనిమిదిలో ఏడు పనుల్లో అంచనా గేట్‌లు, క్యూబిట్‌ల సంఖ్యలు తగ్గాయి.

By BIG CHANGE Editorial

Published: 2026-10-17T13:44:34.835Z
Updated: 2026-10-17T13:44:34.835Z
Canonical: https://bigchange.ai/blog/claude-quantum-circuits-gate-qubit-estimates

![Conceptual charcoal illustration of pegs in three channels of a wooden logic model beside a separate measuring gauge.](https://bigchange.ai/api/media/file/quantum-circuit-evaluator-concept-v1.png)
AI-generated conceptual illustration by BIG CHANGE; physical analogy, not a circuit from the preprint or a measured result.

Anthropicతో పనిచేసే పరిశోధకులు Claude Mythos 5తో క్వాంటం సర్క్యూట్లను సూచింపజేసి, తర్వాత వేరొక ప్రోగ్రామ్‌తో వాటిని తనిఖీ చేశారు. [అక్టోబర్ 15న సమర్పించిన ప్రీప్రింట్‌లో](https://arxiv.org/abs/2610.22367) ఎనిమిది సర్క్యూట్ నిర్మాణ పనుల్లో ఏడింటిలో తమ పోలిక డిజైన్ల కంటే Toffoli గేట్‌ల సంఖ్య, గరిష్ఠ క్యూబిట్‌ల సంఖ్య తగ్గాయని తెలిపారు. ఎనిమిదోది, ప్రైమ్ ఫీల్డ్‌లో మాడ్యులర్ ఇన్వర్షన్, గేట్‌లు, క్యూబిట్‌ల మధ్య వేర్వేరు సర్దుబాట్లు చేసే డిజైన్ కుటుంబాన్ని ఇచ్చింది.

ఇవి ప్రతిపాదిత లాజికల్ సర్క్యూట్ల అంచనాలు; క్వాంటం కంప్యూటర్‌పై కొలిచినవి కావు. AI సహాయంతో డిజైన్ ఎక్కడ ఉపయోగపడుతుందో నిర్ణయించే పరిశోధకులకు ఇందులో ఉపయోగకరమైన విషయం: బృందం మోడల్‌కు అమలు చేయాల్సిన ఖచ్చితమైన ఫంక్షన్‌ను, తప్పు ప్రయత్నాలను వేగంగా తిరస్కరించే మార్గాన్ని ఇచ్చింది. BIG CHANGE పత్రాన్ని, Anthropic అక్టోబర్ 16న ఇచ్చిన [పరిశోధన వివరణను](https://www.anthropic.com/research/designing-efficient-quantum-circuits) సమీక్షించింది. మేము శోధనను నడపలేదు, వనరుల అంచనాలను పునరుత్పత్తి చేయలేదు లేదా హార్డ్‌వేర్‌పై సర్క్యూట్‌ను అమలు చేయలేదు.

## పెద్ద మార్పు

- **ఏం మారింది:** మూల్యాంకన సాధనం మార్గనిర్దేశం చేసిన శోధన, నిర్దేశించిన ఎనిమిది ప్రాథమిక క్వాంటం కంప్యూటింగ్ చర్యలకు సర్క్యూట్ డిజైన్లను ఇచ్చింది. ఏడు పనుల్లో గేట్‌లు, క్యూబిట్‌ల సంఖ్యలు తగ్గాయని, మాడ్యులర్ ఇన్వర్షన్‌లో భిన్నమైన సర్దుబాటు ఉందని పత్రం చెబుతోంది.
- **ఎందుకు ముఖ్యం:** పెద్ద క్వాంటం అల్గోరిథమ్ చిన్న రొటీన్లను పదేపదే పిలుస్తుంది. ఎరర్ కరెక్షన్, హార్డ్‌వేర్ పరిమితులతో కలిపినప్పటికీ డిజైన్లు నిలబడితే, ఆ రొటీన్ల అంచనా వనరులను తగ్గించడం భవిష్యత్తు అమలు అవసరాలను తగ్గించవచ్చు.
- **ఏం గమనించాలి:** సర్క్యూట్ నిర్మాణాలు, పేర్కొన్న ఎరర్ బడ్జెట్‌లు, నిర్దిష్ట హార్డ్‌వేర్‌కు వనరుల అంచనాలపై స్వతంత్ర పరిశీలన, ఈ పరీక్ష ఉదాహరణలకు బయట ఫలితాలు ఎంతవరకు వర్తిస్తాయో నిర్ణయిస్తుంది.

## మోడల్ సూచిస్తుంది; మూల్యాంకన సాధనం తనిఖీ చేస్తుంది

సాధారణ ప్రోగ్రామ్ తిరిగి రాయగల సమాచారాన్ని క్వాంటం సర్క్యూట్ అలాగే ఉంచాలి. తాత్కాలిక విలువలను, వాటిని సృష్టించిన పనిని వెనక్కి మళ్లించి తొలగించాలి; దీనిని అన్‌కంప్యూటేషన్ అంటారు. ఆ విలువలను నిల్వ ఉంచితే క్యూబిట్‌లు ఆక్రమితమవుతాయి; మళ్లీ లెక్కించడానికి గేట్‌లు ఖర్చవుతాయి. [పత్రం](https://arxiv.org/html/2610.22367v1) వెనక్కి మళ్లించగల క్వాంటం చర్యలో పొందుపరిచిన క్లాసికల్ ఫంక్షన్‌గా ప్రవర్తనను పేర్కొనగల రొటీన్లపై దృష్టి పెడుతుంది. ఈ పరిమిత వర్గం వల్ల ఆటోమేటెడ్ కరెక్ట్‌నెస్ తనిఖీ సాధ్యమవుతుంది.

ఎనిమిది పనుల్లో ప్రతి దానికీ పరిశోధకులు అవసరమైన ఇన్‌పుట్-అవుట్‌పుట్ ప్రవర్తనను రాసి, ఖాళీ ప్రోగ్రామ్ నుంచి శోధన మొదలుపెట్టారు. సర్క్యూట్లు నిర్మించే Python ప్రోగ్రామ్‌లుగా Claude పలు అల్గోరిథమ్ కుటుంబాలను సూచించింది. వేర్వేరు శోధనలు ప్రతి కుటుంబాన్ని మెరుగుపరుస్తూ, బలమైన అభ్యర్థులను అప్పుడప్పుడు పంచుకున్నాయి. సమర్పించిన సర్క్యూట్ అవసరమైన అవుట్‌పుట్ ఇచ్చిందా, ఇన్‌పుట్‌లను అలాగే ఉంచిందా, తాత్కాలిక క్యూబిట్‌లను క్లియర్ చేసిందా, ఫేజ్‌ను సరిగ్గా నిర్వహించిందా అని మూల్యాంకన సాధనం పరీక్షించింది. తర్వాత Toffoli గేట్‌లను, ఒకేసారి కేటాయించిన లాజికల్ క్యూబిట్‌ల గరిష్ఠ సంఖ్యను లెక్కించింది. పని స్పెసిఫికేషన్‌ను తప్పిన అభ్యర్థిని తిరస్కరించారు; సరైనవాటిని రెండు వనరుల సంఖ్యల గుణితంతో ర్యాంక్ చేశారు.

OpenEvolve, Claude Mythos 5తో చేసిన పరిణామాత్మక శోధనగా పత్రం దీనిని పేర్కొంటుంది. ప్రతి మోడల్ దశలో పేరెంట్ ప్రోగ్రామ్, ఫీడ్‌బ్యాక్, ఆర్కైవ్ నుంచి పరిమిత ప్రత్యామ్నాయాలు ఇచ్చారు. మూల్యాంకన ఫలితాలు తదుపరి సూచనకు మార్గం చూపాయి. ఎలిప్టిక్ కర్వ్ పాయింట్ అడిషన్‌పై సుదీర్ఘ శోధన 53 గంటలు నడిచిందని, మరింత విస్తృతంగా అన్వేషించాలని మనుషులు అప్పుడప్పుడు ప్రాంప్ట్‌లు ఇచ్చారని Anthropic చెబుతోంది. మొదటి స్పెసిఫికేషన్‌లు, పనుల ఎంపిక, స్కోరింగ్ నియమాలు మనుషుల నిర్ణయాలే.

## నివేదించిన ఆదా, దాని షరతులు

బృందం యొక్క [ఎనిమిది పనుల ఫలితాల పట్టిక](https://arxiv.org/html/2610.22367v1) ఆప్టిమైజేషన్ అల్గోరిథమ్ డీకోడర్లు, సంఖ్యాపరమైన ఫంక్షన్‌లు, కెమిస్ట్రీ సర్క్యూట్, లాటిస్-గేజ్ సిమ్యులేషన్, మాడ్యులర్ ఇన్వర్షన్‌ను కవర్ చేస్తుంది. Reed–Solomon డీకోడర్‌కు ప్రచురిత బేస్‌లైన్ 5.1 మిలియన్ Toffoli గేట్‌లు, గరిష్ఠంగా 1,938 లాజికల్ క్యూబిట్‌లను, ప్రతిపాదిత 440,000 గేట్‌లు, 1,837 క్యూబిట్‌ల డిజైన్‌తో పత్రం పోలుస్తుంది. పత్రం లెక్కల ప్రకారం గేట్‌లు-క్యూబిట్‌ల గుణిత స్కోరు 12 రెట్లు మెరుగవుతుంది. ఫిక్స్‌డ్-పాయింట్ గాసియన్ ఫంక్షన్‌లో నివేదించిన సంఖ్యలు 24,000 గేట్‌లు, 362 క్యూబిట్‌ల నుంచి 1,583 గేట్‌లు, 139 క్యూబిట్‌లకు మారాయి; ఆ స్కోరులో 39 రెట్ల మెరుగుదల వచ్చింది.

ఎనిమిదో పనిని వేరుగా అర్థం చేసుకోవాలి. ప్రైమ్ ఫీల్డ్ మాడ్యులర్ ఇన్వర్షన్‌కు రచయితలు ఒకే బేస్‌లైన్ లేదా మెరుగుదల గుణకం ఇవ్వరు; పాత నిర్మాణాలు తక్కువ క్యూబిట్‌ల కోసం ఎక్కువ గేట్‌లు లేదా దానికి విరుద్ధమైన సర్దుబాటు చేస్తాయి. వారి పూర్తి బెంచ్‌మార్క్ సర్క్యూట్ 4.0 మిలియన్ Toffoli గేట్‌లు, 935 లాజికల్ క్యూబిట్‌లను వాడుతుంది. Anthropic వివరణ ప్రకారం కొత్త కుటుంబంలోని ఒక డిజైన్, పాత కనిష్ఠ డిజైన్ కంటే 12% ఎక్కువ క్యూబిట్‌లను వాడినా 17 రెట్లు తక్కువ గేట్‌లను వాడుతుంది. ఇది సర్దుబాటు; అన్ని అంశాల్లో తగ్గింపు కాదు.

ప్రతిపాదించిన ఒక డీకోడర్ నమ్మకత్వంలోనూ ఉద్దేశపూర్వక సర్దుబాటు చేస్తుంది. అత్యంత చెడు మినహాయింపుల వరుస కోసం 665 క్యూబిట్‌లకు బదులుగా, నిల్వ చేసిన ఒక అసాధారణ విలువ కోసం 19 క్యూబిట్‌లను కేటాయిస్తుంది. నిర్దేశించిన పంపిణీలో సుమారు ప్రతి 10,000 ఇన్‌పుట్‌లలో ఒకదానికి ఎక్కువ నిల్వ అవసరమై విఫలమవుతుందని పత్రం అంచనా వేస్తుంది. ఇతర పనులు వేర్వేరు ఖచ్చితత్వం లేదా వైఫల్య ప్రమాణాలను వాడతాయి. వరుసలను పోల్చేటప్పుడు గేట్‌లు, క్యూబిట్‌ల సంఖ్యలతో పాటు ఈ షరతులను కూడా గుర్తుంచుకోవాలి.

## ఈ లెక్కలు ఏం తేల్చలేవు

సమర్థమైన క్లాసికల్ సిమ్యులేషన్‌ను అనుమతించే సర్క్యూట్లలో కంప్యూటేషనల్-బేసిస్ ఇన్‌పుట్‌లను మూల్యాంకన సాధనం అనుసరిస్తుంది. పెద్ద ఇన్‌పుట్ పరిధుల్లో సాధ్యమైన ప్రతి ఇన్‌పుట్ సరైనదని రుజువు చేయకుండా, నమూనా ఇన్‌పుట్‌లను పరీక్షిస్తుంది. కొన్ని పని స్పెసిఫికేషన్‌లు ఖచ్చితమైన ఫలితాలను కోరినా, నివేదించిన ధ్రువీకరణ పరిమిత టెస్ట్ సెట్‌లనే వాడుతుంది. ఈ పరీక్షలు ప్రతి పనిలో పేర్కొన్న ఇంటర్‌ఫేస్, ఎరర్ టాలరెన్స్‌లోని ప్రతిపాదనలకు మద్దతిస్తాయి; క్వాంటం హార్డ్‌వేర్‌పై సర్క్యూట్ నడిచిందని చూపవు.

Toffoli సంఖ్య, గరిష్ఠ లాజికల్ క్యూబిట్‌లు భవిష్యత్తు సమయం, స్థల వ్యయాలకు పరోక్ష సూచికలు. యంత్రం గేట్ డెప్త్, రూటింగ్, ఎరర్ కరెక్షన్ వ్యవస్థ, భౌతిక క్యూబిట్‌లు ఏ డిజైన్ మెరుగో మార్చవచ్చు. రచయితలు ప్రతి పనిలో ఇన్‌పుట్ ప్రాతినిధ్యాన్ని కూడా స్థిరంగా ఉంచడంతో కొన్ని ఎన్‌కోడింగ్ మార్పులు శోధనకు బయటే ఉన్నాయి. ఆశాజనక సబ్‌రొటీన్‌ను పూర్తి అల్గోరిథమ్‌కు వర్తించే ముందు ఈ పరిమితులు ముఖ్యమైనవి.

అత్యంత బలమైన నిర్ధారణ డిజైన్ పద్ధతికి సంబంధించినది. పరిశోధన సమస్యకు స్పష్టమైన స్పెసిఫికేషన్, తగినంత వేగమైన స్వతంత్ర మూల్యాంకన సాధనం ఉంటే, సాధారణ స్థానిక గేట్ పునర్రచనల వరుస గుర్తించలేని సర్క్యూట్ నిర్మాణాలను మోడల్ అన్వేషించగలదు. నిర్దిష్ట వనరుల సంఖ్యలు ఇప్పటికీ రచయితల ప్రీప్రింట్ ఫలితాలే; స్వతంత్ర పునరుత్పాదన, హార్డ్‌వేర్‌ను పరిగణించే అంచనా ఇంకా అవసరం.

## మూలాలు, తదుపరి పఠనం

- [పెద్ద భాషా మోడళ్లతో అత్యాధునిక క్వాంటం సర్క్యూట్ల అన్వేషణ](https://arxiv.org/html/2610.22367v1). Andi Gu, Alek H. Kemeny, Susanne F. Yelin, Mikhail D. Lukin; arXiv v1, అక్టోబర్ 15, 2026న సమర్పించారు. ప్రాథమిక ప్రీప్రింట్ శోధన, మూల్యాంకన సాధనం, ఎనిమిది పనుల ఫలితాలు, ధ్రువీకరణ, పరిమితులను వివరిస్తుంది. ఇది పరిశోధన నివేదిక; హార్డ్‌వేర్ అమలు కాదు.
- [Claudeతో మరింత సమర్థమైన క్వాంటం సర్క్యూట్ల రూపకల్పన](https://www.anthropic.com/research/designing-efficient-quantum-circuits). Anthropic, అక్టోబర్ 16, 2026. 53 గంటల పాయింట్-అడిషన్ శోధన, మాడ్యులర్ ఇన్వర్షన్ సర్దుబాటును కలిపిన రచయితల వివరణ. భవిష్యత్తు ఆచరణాత్మక క్వాంటం కంప్యూటర్లపై దాని దృక్పథం అంచనా; గమనించిన ఫలితం కాదు.

## Sources

- [పెద్ద భాషా మోడళ్లతో అత్యాధునిక క్వాంటం సర్క్యూట్ల అన్వేషణ](https://arxiv.org/html/2610.22367v1) — ప్రాథమిక arXiv v1 ప్రీప్రింట్: పద్ధతి, ఎనిమిది పనుల పోలిక, కరెక్ట్‌నెస్ పరీక్షలు, వనరుల అంచనాలు, పరిమితులు. పరిశోధన నివేదిక; హార్డ్‌వేర్ అమలు కాదు.
- [Claudeతో మరింత సమర్థమైన క్వాంటం సర్క్యూట్ల రూపకల్పన](https://www.anthropic.com/research/designing-efficient-quantum-circuits) — రచయితల వివరణ. 53 గంటల శోధన, మాడ్యులర్ ఇన్వర్షన్ సర్దుబాటును వివరిస్తుంది; భవిష్యత్తు కంప్యూటర్లపై ప్రభావాలు అంచనాలే.