Claude diseña circuitos cuánticos con 17x menos puertas

Claude Mythos 5 rediseñó circuitos cuánticos sin intervención humana

Anthropic publicó un experimento en el que Claude Mythos 5 diseñó circuitos cuánticos que superan a los mejores publicados hasta ahora, en algunos casos por un orden de magnitud o más. El trabajo fue liderado por Andi Gu dentro del STEM Fellows Program de Anthropic, con mentoría de Alek Kemeny y colaboración de Susanne Yelin y Mikhail Lukin, de Harvard y QuEra Computing.

Para un founder, la señal no es cuántica: es que un modelo de lenguaje puede operar en un ciclo cerrado de diseño, evaluación automática y refinamiento sobre un problema de ingeniería de altísima especialidad. Ese patrón es replicable en dominios mucho menos exóticos.

¿Qué hizo exactamente Claude con los circuitos cuánticos?

Anthropic le dio a Claude especificaciones en lenguaje natural para ocho primitivas computacionales —las rutinas básicas sobre las que se construyen algoritmos cuánticos más grandes— sacadas de química, optimización, simulación física, teoría de números y computación numérica.

Junto a cada especificación había un evaluador automático con dos tareas: verificar que el circuito produjera el resultado correcto y puntuarlo según cuántos qubits y cuántas puertas Toffoli usaba. La métrica de costo era qubits multiplicado por puertas, un proxy del tiempo de ejecución.

El modelo proponía un diseño, recibía el puntaje y usaba ese feedback para el siguiente intento, sin intervención humana entre rondas. El resultado fueron diseños nuevos que usaban menos qubits y menos puertas que los mejores algoritmos publicados. CryptoBriefing reportó que Claude superó el estado del arte previo en siete de las ocho tareas, con hasta 17 veces menos puertas en un caso.

Los dos resultados que mejor ilustran el salto

El primer caso es la inversión modular, el paso más caro de la aritmética de curvas elípticas. El método estándar en computación clásica, divsteps, nunca había dado un circuito cuántico práctico: la reversibilidad obliga a guardar el historial de decisiones de cada iteración, y eso consume una cantidad enorme de qubits. Claude razonó que ese historial podía inferirse inspeccionando los pares de números, demostró una serie de identidades algebraicas nuevas, derivó la fórmula de decodificación y la formalizó en Lean. El resultado es la primera implementación reversible de divsteps sin almacenar historial. Una de las variantes de la familia usa 12% más qubits pero 17 veces menos puertas.

El segundo es el decodificador de Reed–Solomon dentro de DQI (decoded quantum interferometry), uno de los candidatos más fuertes a ofrecer ventaja cuántica superpolinómica en optimización. Claude descartó el algoritmo euclídeo extendido que usaba el diseño anterior y lo reorganizó alrededor de Berlekamp–Massey, que ejecuta el mismo tipo de paso en cada ronda. Para resolver el problema de la reversibilidad, simuló 403 millones de decodificaciones de muestra y midió con qué frecuencia aparecían valores excepcionales: casi todas las corridas necesitaban guardar un valor como máximo. En lugar de reservar 665 qubits para el peor caso, el circuito reserva 19. En conjunto, 12 veces menos puertas que la construcción previa de Google.

Hay un dato que dimensiona el impacto: estimaciones de investigadores de Google Quantum AI citadas por Anthropic indican que resolver un problema OPI tomaría unos tres meses en Frontier, una de las supercomputadoras más potentes del mundo, frente a cerca de una hora en una futura computadora cuántica corriendo DQI. La mayor parte de esa hora se iría en el decodificador Reed–Solomon.

Por qué el diseño de circuitos cuánticos es un problema distinto

Dos restricciones hacen que un circuito cuántico sea mucho más caro que su equivalente clásico.

• No hay decisiones condicionales. Un programa normal evalúa un valor y ejecuta una de dos ramas. Un circuito cuántico corre sobre una superposición de muchas entradas a la vez, así que tiene que incluir las operaciones de ambas ramas siempre.
• No se puede descartar información. Cada paso debe ser reversible. El scratch work no se borra: se «descomputa» corriendo el cálculo al revés, y eso cuesta puertas adicionales.

Eso fuerza un trade-off entre espacio y tiempo. Descomputar apenas se usa un resultado libera qubits, pero si ese resultado se necesita después hay que recalcularlo. Retenerlo evita repetir trabajo, pero exige muchos más qubits. Optimizar ese balance es exactamente el tipo de búsqueda donde un modelo que itera rápido tiene ventaja.

El cuello de botella que la industria viene atacando

El caso testigo es FeMoco, el cluster de hierro-azufre en el corazón de la nitrogenasa. En 2017 se estimó que una computadora cuántica necesitaría unos 50 billones de puertas Toffoli para calcular su energía de estado fundamental. Tras una serie de avances algorítmicos, la estimación bajó a unos 340 millones: una reducción de aproximadamente 150.000 veces, equivalente a unas pocas horas de cómputo en una máquina futura con cerca de tres millones de qubits físicos.

Anthropic señala que esa caída tomó ocho años y muchos grupos de investigación. El diseño de curvas elípticas de Claude salió de una sola corrida de 53 horas.

La conexión con QuEra Computing no es casual. Según eWeek, QuEra usó Claude para desarrollar software que recupera automáticamente el sistema láser de sus computadoras de átomos neutros: el controlador resolvió 695 de 700 perturbaciones en pruebas formales, la mayoría en menos de seis segundos, frente a los cinco a diez minutos que le toma a un especialista humano.

El mercado está poniendo dinero detrás de esa promesa. Morgan Stanley sostiene que la computación cuántica podría ser un mercado de más de US$100.000 millones anuales hacia 2040, partiendo de unos US$10.000 millones en 2030 si las máquinas tolerantes a fallos alcanzan adopción comercial amplia, según CNBC. El banco identificó 2027 como un año crítico y señaló que los roadmaps del sector convergen en sistemas tolerantes a fallos entre 2029 y 2030.

En paralelo, un informe de ResearchAndMarkets difundido por Yahoo Finance proyecta que el mercado de computación cuántica topológica pase de US$3.180 millones en 2025 a US$3.940 millones en 2026, y llegue a US$8.270 millones en 2030. En el plano de la infraestructura, Atom Computing anunció en junio de 2026 que acumuló más de US$300 millones, incluida una Serie C de US$100 millones liderada por Third Point Ventures.

¿Qué significa esto para tu startup?

Tres lecturas concretas, incluso si nunca vas a tocar un qubit.

Primero: el patrón de ciclo cerrado con evaluador es trasladable. Lo que hizo funcionar el experimento no fue el modelo suelto, sino la arquitectura: especificación en lenguaje natural, un programa externo que verifica corrección y un puntaje objetivo que el modelo puede mejorar. Si tienes un problema de diseño con una métrica clara —latencia, costo por request, consumo de memoria— puedes montar el mismo ciclo hoy. La condición es que el evaluador sea automático y determinista; sin eso, el modelo solo adivina.

Segundo: la restricción de recursos es una ventaja competitiva, no una excusa. La razón por la que este trabajo importa es que los qubits y el tiempo son escasos. Es el mismo problema de cualquier startup: presupuesto finito. Rediseñar el algoritmo suele rendir más que comprar más hardware. Antes de escalar infraestructura, vale la pena preguntarse si el cuello de botella es de cómputo o de diseño.

Tercero: si vendes a industrias intensivas en cómputo, esto cambia tus supuestos de planeación. Química, materiales, logística y criptografía son los dominios que aparecen en el experimento. Si tu roadmap asume que ciertos cálculos van a ser inviables por una década, conviene revisarlo: la reducción de recursos puede adelantar la ventana.

Los límites que Anthropic reconoce

No todo salió limpio. Anthropic reporta que en las primeras pruebas Claude fue conservador: cuestionaba mejoras aparentes y seguía verificando resultados ya bien sustentados. Esa cautela tuvo un lado bueno —lo llevó a escribir pruebas en Lean para validar el diseño de divsteps— pero también lo empujó a preferir enfoques conocidos sobre los novedosos. La empresa lo mitigó de dos formas: exigir varias propuestas cualitativamente distintas desarrolladas en paralelo, y recordarle ocasionalmente que ampliara la búsqueda.

También hay que decirlo: el trabajo se hizo sobre ocho tareas seleccionadas, y el diseño de circuitos es solo una pieza de una computadora cuántica útil. La corrección de errores, los decodificadores y el control del hardware siguen siendo componentes diseñados por separado. Anthropic sugiere que el siguiente paso podría ser optimizarlos en conjunto, del algoritmo al hardware, en lugar de tratarlos como problemas aislados.

Fuentes

• Anthropic Research: Designing more efficient quantum circuits with Claude (fuente original)
• CryptoBriefing: Anthropic’s Claude designs leaner quantum circuits
• CNBC: Morgan Stanley says quantum computing could be a $100 billion market
• Yahoo Finance: Global Topological Quantum Computing Market Report 2026
• eWeek: Anthropic’s Claude Helped Automate Quantum Computer Laser Controls
• Atom Computing raises more than $300 million

Artículos relacionados:

C12 levanta €28M para chips cuánticos con nanotubos Computación cuántica: RSA cae en 2029 según Google Qubits y decoherencia: NTNU mide T1 100x más rápido NVIDIA NVentures entra en Alice & Bob: qué significa para deeptech EuroHPC abre 6 convocatorias cuánticas con €119M