La computación cuántica se basa en qubits, los cuales pueden existir en múltiples estados simultáneamente a través de un fenómeno llamado superposición. Sin embargo, el hardware cuántico actual está limitado por un pequeño número de qubits y una alta sensibilidad al ruido ambiental. Para que las computadoras cuánticas sean prácticas en campos como la química o la ciencia de materiales, los investigadores deben diseñar 'circuitos' —secuencias de operaciones llamadas puertas— que minimicen el número de qubits y el número total de puertas utilizadas. Un desafío clave en este diseño es que los circuitos cuánticos deben ser reversibles; a diferencia de los programas clásicos, no pueden simplemente descartar datos intermedios de 'borrador' ni utilizar la lógica de ramificación estándar 'si-entonces', ya que hacer esto colapsaría el estado cuántico. Esto crea un difícil equilibrio entre el espacio (qubits) y el tiempo (conteo de puertas).
En un estudio liderado por el programa STEM Fellows de Anthropic, los investigadores proporcionaron a Claude especificaciones en lenguaje natural para ocho primitivas computacionales cuánticas diferentes. Establecieron un sistema de circuito cerrado donde Claude proponía diseños de circuitos en Python, los cuales eran procesados por un evaluador automatizado. Este evaluador verificaba la corrección de los diseños y asignaba una puntuación basada en el producto de los qubits y las puertas utilizadas. Trabajando en gran medida sin intervención humana durante 53 horas, Claude descubrió diseños novedosos que superaron los mejores circuitos publicados anteriormente en siete de las ocho tareas. En algunos casos, estas mejoras fueron de un orden de magnitud o más, como una nueva arquitectura reversible para la inversión modular que hizo que el algoritmo 'divsteps' —anteriormente impracticable para la aritmética reversible— fuera viable para el uso cuántico.
La imagen ilustra el hallazgo central de la investigación donde se utilizó Claude para diseñar circuitos cuánticos más eficientes.
El éxito de Claude se atribuyó a su capacidad para descubrir perspectivas estructurales y matemáticas en lugar de simplemente ajustar diseños existentes. Por ejemplo, al simular una molécula de sulfuro de hierro, el modelo identificó simetrías que permitían calcular ciertos resultados una sola vez y reutilizarlos. En otros casos, identificó y eliminó componentes costosos que solo eran necesarios para entradas extremadamente raras. Si bien estas optimizaciones reducen significativamente los recursos requeridos para aplicaciones útiles, los resultados también resaltan un equilibrio específico: los nuevos diseños de Claude a veces utilizaban ligeramente más qubits para lograr una reducción masiva en el conteo de puertas (hasta 17 veces menos). Esto sugiere que la IA puede servir como un poderoso co-diseñador para algoritmos cuánticos, acelerando potencialmente el cronograma para aplicaciones cuánticas prácticas en medicina, tecnología de baterías y catálisis industrial.