Anthropic与哈佛大学的合作研究给出了一个具体数字：一个用于量子干涉测量的解码电路，AI设计版本只需要44万个Toffoli门，而基线对比设计是510万个。同一任务里，峰值量子比特需求从1938个降到1837个。

这项研究覆盖了化学、优化和物理模拟中八项关键计算任务。团队用AI模型对这些任务对应的量子电路做精简，目标不是造出硬件，而是让现有硬件少背一点包袱。研究给出的主要是资源估算和理论设计，没有物理硬件演示。

Toffoli门在纠错量子环境里属于高成本操作，减少它的数量是开发者在早期硬件上提性能的主要抓手。门数降下来，意味着同样的机器能跑更复杂的算法。

省下来的不只是门

经典计算里临时数据可以直接覆盖，量子逻辑要求操作可逆，清理临时草稿往往要靠"反计算"。设计者长期在两头受挤：存储用的量子比特要少，处理用的门也要少。

AI搜索找到的新办法是从计算的当前状态里回收信息，减少为每个中间步骤单独记账的需求。模型还把算术操作在不同计算路径间共享，进一步压低了系统总工作量。

另一个被改进的电路用于计算定点高斯函数，门数与量子比特数的乘积改善了39倍。这个幅度说明，不少传统量子电路设计里存在可以削掉的冗余开销。

密码学子程序的可逆化

团队还盯上了模逆运算，这是密码算法绕不开的数学操作。AI为一种叫divsteps的方法做出了可逆版本。此前这个方法内存需求高，在量子环境里很难落地。

模型从现有数据中找规律，在没有专用存储的情况下恢复此前的计算决策，由此得到一族更灵活的电路。设计者可以按硬件约束在少用量子比特和少用门之间做选择。

一个基准算术组件用了约400万个Toffoli门和935个量子比特。这组数字不代表完整的密码学应用，但说明必要的子程序正在变得高效。椭圆曲线算术工作耗时53小时，这个时长本身也说明工具开始具备实用性。

AI先求稳，人推它冒险

流程的起点是研究者给AI一段任务描述和一张白纸，模型提出多种算法策略，再由自动化评估系统按资源消耗和逻辑正确性打分。团队特意挑了一类容易在经典计算机上模拟的电路，以便快速测试和验证AI的建议。

研究者注意到，AI起初偏好安全、成熟的方法。为了打破这一点，他们要求模型同时探索多条不同路线。正是这些人工提示，把AI推向了后来被证明更优的大胆模逆设计。

这套方法有明确的边界。设计的成败高度依赖搜索时使用的评分指标，而实际执行成本还受硬件架构、纠错方案和操作调度影响。纸面上好看的电路，放到具体物理机器上可能需要调整。

部分对比之所以采用直白的可逆构造作为基线，是因为此前的文献里没有现成的量子版本。这也暴露出一个现状：许多细分量子例程缺少标准化基准。采样测试提供了正确性证据，但不构成对全部可能输入的形式化证明。

研究者提出的下一步是把决策协调到整个量子栈上，同时优化算法、纠错码和物理布局。参与项目的包括哈佛的Mikhail D. Lukin和Susanne F. Yelin，以及Anthropic STEM Fellows Program的研究人员，成果放在arXiv预印本服务器上供技术审阅。

对量子行业来说，这条路径的意义在于：软件和算法的改进，与造更大、更可靠的硬件同样关键。更聪明的电路设计可以补偿有限的硬件能力，把每一个量子比特和每一个门都用在刀刃上。