Claude diseña circuitos cuánticos con 17x menos puertas

Qué ha hecho Claude exactamente (y qué no)

Un equipo de Harvard y Anthropic usó Claude para rediseñar circuitos cuánticos y logró que consuman menos recursos que los mejores publicados en siete de ocho tareas de química, optimización, simulación cuántica, teoría de números y cálculo numérico. El anuncio es del 16 de octubre y el detalle está en un paper de 46 páginas en arXiv firmado por Andi Gu, Alek Kemeny, Susanne Yelin y Mikhail Lukin.

Conviene aclarar el alcance desde el principio: Claude no descubrió física nueva. Reescribió programas que describen circuitos cuánticos para que gasten menos operaciones. Según el paper, el sistema usó Claude Mythos 5 dentro de una búsqueda evolutiva llamada OpenEvolve: en cada ronda, una sesión nueva del modelo proponía arquitecturas y cambios en el código, los ejecutaba, consultaba un oráculo clásico con la respuesta correcta para entradas concretas y podía delegar en subagentes. Los mejores candidatos pasaban a la siguiente ronda.

El punto de partida era una especificación escrita a mano y un programa en blanco. Anthropic subraya que no hubo intervención humana entre rondas. En la tarea de la curva elíptica, una ejecución de 53 horas, solo hubo el encargo inicial y algún aviso ocasional para que el modelo pensara de forma más amplia.

El trabajo lo lideró Andi Gu dentro del programa de becas STEM de Anthropic, con la tutela de Alek Kemeny, físico cuántico de la compañía, y la colaboración de Susanne Yelin y Mikhail Lukin, de Harvard, además de QuEra Computing, según recoge la cobertura de Unite.AI.

De dónde sale el 17x y por qué no es el mejor dato del paper

El ahorro se mide con dos números: cuántas puertas Toffoli necesita el circuito —una operación cara en un ordenador cuántico con corrección de errores— y cuántos cúbits lógicos usa como máximo. El paper los multiplica para obtener un coste combinado, y es esa métrica la que mejora en siete de las ocho tareas.

El famoso 17x sale de la suma de puntos sobre una curva elíptica de 256 bits, la pieza central del algoritmo de Shor para romper la criptografía de curva elíptica. Claude propuso una arquitectura nueva basada en un método llamado divsteps, que según los autores es el primer circuito reversible de ese tipo sobre un cuerpo primo.

Los números concretos: el circuito de Claude usa 4 millones de Toffolis y 935 cúbits. El diseño de referencia de Luo y colaboradores, de 2026, necesitaba 70 millones de Toffolis y 838 cúbits. De ahí el 17x, y la propia Anthropic lo formula con honestidad: «un 12 % más de cúbits pero 17 veces menos puertas».

Lo que casi no apareció en la cobertura es la otra comparación de la tabla. El diseño de Schrottenloher, también de 2026, usa 1,9 millones de Toffolis y 1.446 cúbits: la mitad de puertas que el de Claude, con más cúbits. En coste combinado, el de Schrottenloher sale mejor. Por eso Anthropic habla de ampliar la frontera entre cúbits y tiempo, no de batir al mejor diseño en todo, y por eso esa tarea aparece sin factor de mejora en la tabla principal.

Hay otra discrepancia menor que conviene registrar: el post de Anthropic dice que Claude usó menos cúbits y menos puertas en las ocho tareas, mientras el paper habla de siete de ocho. La fuente original se queda con el paper, y es la decisión correcta.

Las mejoras que sí son grandes: 32x, 39x y 12x

Entre las tareas con un diseño previo publicado, las mayores mejoras no son el 17x:

• En la rotación de ángulos del algoritmo HHL, el coste combinado baja 32 veces.
• En el cálculo en coma fija de una función gaussiana, útil en simulación química, baja 39 veces.
• En un decodificador para el algoritmo DQI de Google, Claude pasa de 5,1 millones de Toffolis a 440.000 con algo menos de cúbits: una mejora combinada de 12 veces.

Ese último caso es el más instructivo desde el punto de vista de método. Según el paper, el diseño anterior procesaba los síndromes con el algoritmo de Euclides extendido, donde el número y el orden de pasos dependen de la entrada. Como un circuito cuántico maneja muchas entradas con una secuencia fija de puertas, había que estirar el cálculo sobre más rondas de las que necesitaría cualquier entrada individual. Claude reorganizó el circuito alrededor de la decodificación de Berlekamp–Massey, que hace el mismo tipo de paso en cada ronda.

El detalle fino está en la gestión de memoria. Reservar espacio para el peor caso —un valor excepcional que aparece en 35 rondas distintas— habría costado 665 cúbits. Claude escribió su propio simulador de alta velocidad y corrió 403 millones de decodificaciones de muestra para medir la frecuencia real de esas excepciones. Casi todas las ejecuciones necesitaban guardar como mucho un valor, así que el circuito reserva 19 cúbits. Aproximadamente una de cada 10.000 ejecuciones necesita más y falla, algo que el paper considera dentro del margen de error que la tarea permite.

Todo se comprobó con un evaluador independiente que verifica la salida, la fase y que los cúbits auxiliares vuelven a su estado inicial, con cotas estadísticas. En uno de los circuitos, la corrección se formalizó además con el demostrador Lean.

¿Por qué importa esto si aún no hay ordenadores cuánticos útiles?

Porque el coste de los algoritmos cuánticos útiles se ha reducido históricamente más por mejores circuitos que por mejor hardware. El caso que cita Anthropic es FeMoco, el cúmulo de hierro y azufre de la nitrogenasa, la enzima con la que algunas bacterias convierten el nitrógeno del aire en amoníaco. Las estimaciones pasaron de unos 50 billones de Toffolis en 2017 a unos 340 millones hoy: unas 150.000 veces menos, un trabajo que llevó ocho años a muchos grupos.

El contraste que plantea el post es el que debería inquietar a cualquiera que planifique a cinco años: esa reducción de 150.000x tomó ocho años de investigación distribuida, y aquí una sola ejecución de 53 horas produjo una arquitectura nueva. Si el cuello de botella de la utilidad cuántica es algorítmico y no solo físico, el calendario se mueve sin tocar un solo cúbit.

Del lado del hardware, el avance sigue su propio ritmo. Infleqtion anunció el 24 de septiembre de 2026 que logró 30 cúbits lógicos entrelazados usando 80 cúbits físicos en su plataforma Sqale, con una hoja de ruta hacia 100 cúbits lógicos en 2028 y 1.000 en 2030, según su comunicado difundido por Nasdaq. Xanadu, por su parte, presentó el 31 de agosto de 2026 una hoja de ruta que apunta a 200 cúbits lógicos en 2029, 500 en 2030 y más de 1.000 en 2031, según Yahoo Finance. Son dos o tres órdenes de magnitud por debajo de los tres millones de cúbits físicos que el propio post de Anthropic asocia a una simulación de FeMoco en horas.

Los límites que conviene tener presentes

Las advertencias están en el propio texto, y son sustanciales:

• Anthropic admite que Claude fue «conservador por naturaleza», con tendencia a preferir enfoques conocidos, y que hubo que forzarle a explorar en paralelo.
• El paper advierte de que su métrica es una elección y que el coste real depende del hardware.
• Los ordenadores cuánticos actuales tienen entre cientos y miles de cúbits, muy sensibles al ruido.
• Es un preprint sin revisión por pares, y no hay todavía valoraciones de expertos independientes.

Queda además el ángulo incómodo: la curva del paper coincide con la que usa Bitcoin, aunque los autores no la nombran ni plantean el trabajo como una amenaza. La lectura razonable es que el resultado no acerca mañana un ataque, pero sí refuerza un argumento conocido: cada mejora en circuitos recorta el margen de la criptografía actual y suma razones para tomarse en serio la criptografía poscuántica.

¿Qué significa esto para tu startup?

Aunque no construyas nada cuántico, el patrón de este paper es replicable mañana con tus propios problemas, y es la parte más valiosa del trabajo:

1. Monta un bucle cerrado con un verificador que no se deje engañar. La clave no es el modelo, es el evaluador. Claude funcionó porque cada propuesta se ejecutaba y se puntuaba con un criterio objetivo y automático. Si tu equipo usa IA para generar código, SQL, configuraciones o tests, el salto de calidad no viene de un prompt mejor: viene de tener un test que falle cuando la respuesta es incorrecta. Sin verificador, el modelo solo produce texto plausible.

2. Cambia el «peor caso teórico» por un presupuesto medido. El hallazgo de los 19 cúbits frente a los 665 es una lección de ingeniería pura: en lugar de reservar recursos para el escenario más extremo que puedas imaginar, simula millones de casos reales y dimensiona según la distribución observada, aceptando una tasa de fallo explícita y dentro de tolerancia. Aplícalo a timeouts, colas, réplicas de base de datos o límites de rate. Casi siempre estás pagando por un peor caso que ocurre una vez entre 10.000.

3. Si vendes software a empresas, revisa tu hoja de ruta de criptografía. El coste de romper criptografía de curva elíptica es una variable que se mueve por dos vías —hardware y algoritmos— y la segunda acaba de dar un salto documentado. Para un equipo pequeño no es urgente, pero sí es barato: inventariar dónde usas ECC y qué costaría migrar a esquemas poscuánticos es un trabajo de semanas, no de años, y hacerlo antes de que un cliente lo exija en un cuestionario de seguridad te ahorra una urgencia.

4. Trata al modelo como investigador junior con un jefe exigente. Lo que funcionó fue dejar 53 horas de búsqueda sin supervisión y revisar el resultado al final, no microgestionar cada ronda. Ese es un cambio de gestión, no de herramienta.

Conclusión

El titular del 17x es real pero incompleto: se mide contra el diseño previo que usaba menos cúbits, no contra el mejor en todo, y en coste combinado hay al menos un diseño de 2026 que sale mejor. Lo que sí resiste el escrutinio es más interesante: siete de ocho tareas con mejora verificada, un caso de 39 veces menos coste, una arquitectura reversible de divsteps que no existía, y un método —especificación en lenguaje natural, modelo que propone, evaluador que puntúa, prueba formal en Lean— que se puede aplicar a problemas que no tienen nada de cuántico.

Lo que falta es lo de siempre: que otros grupos lo reproduzcan y que alguien externo a Anthropic y Harvard lo examine. Hasta entonces, es un preprint prometedor con un método que tu equipo puede copiar esta semana.