A Anthropic publicou em 16 de outubro de 2026 um estudo em que o Claude Mythos 5 desenhou circuitos para oito tarefas de computação quântica, em ciclo fechado com um avaliador automático. Em sete delas, os circuitos usam menos portas e menos qubits que os melhores já publicados, segundo o artigo no arXiv. Na soma de pontos em curva elíptica, depois de 53 horas de trabalho, um dos desenhos usa 17 vezes menos portas, com 12% mais qubits. O estudo é de Andi Gu, do programa STEM Fellows da Anthropic, com Alek Kemeny, da Anthropic, e Susanne Yelin e Mikhail Lukin, de Harvard. Lukin também é cofundador da QuEra Computing.
Em resumo
- Método: o Claude escreveu os circuitos como programas em Python. Um avaliador externo conferia se cada circuito estava correto e dava nota pelo produto de qubits por portas, uma aproximação do tempo de execução.
- Resultado: em sete de oito tarefas de química, otimização, simulação e teoria dos números, menos portas Toffoli e menos qubits que o estado da arte.
- Curva elíptica: 53 horas com pouca intervenção humana. Um circuito usa 12% mais qubits e 17 vezes menos portas que o menor desenho anterior.
- Algoritmo do Google: no decodificador Reed-Solomon do DQI, as portas Toffoli caíram de cerca de 5,1 milhões para cerca de 440 mil, 12 vezes menos.
- Limite: são desenhos e estimativas checados em simulador clássico. Nada rodou em hardware quântico, e o artigo ainda não passou por revisão de pares.
O que a Anthropic e Harvard fizeram?
Um circuito quântico é a receita de operações, chamadas portas, aplicadas sobre qubits. Menos portas significa um cálculo mais curto. Menos qubits significa uma máquina menor. Até aqui, essa otimização vinha de pesquisadores, ao longo de anos, como mostra o caso da FeMoco mais abaixo.
O time deu ao Claude oito blocos de cálculo usados em algoritmos quânticos. O modelo escrevia o circuito em Python, um avaliador externo verificava se ele dava a resposta certa e calculava a nota, e o Claude revisava o desenho. Entre uma rodada e outra não havia intervenção humana. A instrução inicial tinha um parágrafo. De vez em quando, os pesquisadores pediam que o modelo ampliasse a busca.
O próprio texto da Anthropic aponta um defeito do modelo. O Claude era conservador, voltava a checar melhorias já validadas e preferia caminhos conhecidos. A saída foi mandar o modelo explorar várias abordagens em paralelo. Numa das tarefas, ele provou identidades algébricas e as conferiu numericamente e no Lean, uma linguagem de prova formal.
Quais foram os resultados?
O Quantum Computing Report publicou a tabela por tarefa, usando o produto de portas Toffoli por qubits. Fora um caso extremo, explicado abaixo, o ganho vai de 4,1 vezes numa etapa de simulação química do Fe2S2 a 39 vezes numa função gaussiana. A rotação do algoritmo HHL, usado para sistemas de equações, melhorou 32 vezes. Um potencial de Coulomb, 9,9 vezes. Uma simulação de teoria de gauge não abeliana em rede, 7,7 vezes.
O decodificador Reed-Solomon do DQI é o caso mais claro. O DQI, sigla de interferometria quântica decodificada, é um algoritmo de otimização do Google. A construção anterior do Google Quantum AI usava cerca de 5,1 milhões de portas Toffoli e 1.938 qubits. O desenho do Claude usa cerca de 440 mil portas e 1.837 qubits, segundo o The Quantum Insider. No pior caso, o circuito precisaria reservar 665 qubits para guardar valores intermediários. O Claude reservou 19. Em 403 milhões de decodificações simuladas, cerca de 1 em 10 mil precisou de mais espaço e falhou, dentro da taxa de erro permitida.
O número mais vistoso pede cuidado. No decodificador de códigos hermitianos, o ganho passa de 9.100 vezes. O The Quantum Insider explica que não existia implementação reversível anterior desse decodificador, e a base de comparação foi uma construção simples. O ganho real sobre um trabalho otimizado por especialistas está nas outras linhas da tabela.
E a soma de pontos em curva elíptica?
É a oitava tarefa e a que levou 53 horas. A etapa mais cara dessa conta é a inversão modular. Ali o Claude criou uma arquitetura reversível nova, baseada no algoritmo divsteps, que recupera o histórico de decisões a partir dos próprios números em vez de guardá-lo. O resultado é uma família de circuitos que troca qubits por portas. Comparado ao menor desenho publicado, um deles usa 12% mais qubits e 17 vezes menos portas. As referências são trabalhos de 2026 de Schrottenloher e de Luo e colegas.
Aqui as fontes divergem. O Interesting Engineering atribui os 17 vezes à inversão modular. O texto da Anthropic atribui ao circuito completo de soma de pontos. A tabela do Quantum Computing Report mostra que, na inversão isolada, a versão de menor memória usa mais portas do que a base: cerca de 4 milhões contra 1,9 milhão, com 935 qubits contra 1.446. Por isso o artigo classifica essa tarefa à parte: ali o ganho está no equilíbrio entre portas e qubits.
A soma de pontos é o passo central dos algoritmos quânticos para o logaritmo discreto em curvas elípticas. A segurança de vários sistemas de criptografia depende de esse problema ser difícil, lembra a ForkLog. O estudo não fala em criptografia e não traz estimativa para um ataque completo. O The Quantum Insider ressalta que os números descrevem só um componente aritmético.
Como chegamos até aqui?
A Anthropic usa a molécula FeMoco como exemplo do ritmo da área. Em 2017, Reiher e colegas estimaram cerca de 50 trilhões de portas Toffoli para calcular o estado fundamental dessa molécula. Trabalhos de vários grupos baixaram a conta para cerca de 340 milhões, uma redução de cerca de 150 mil vezes em oito anos. Isso equivale a poucas horas numa máquina futura com cerca de 3 milhões de qubits físicos. O estudo propõe que a IA acelere esse tipo de avanço de algoritmo.
O hardware anda em paralelo. Na mesma semana, a Marcio.AI mostrou o Google reduzindo em 40 vezes o erro dos estados mágicos no chip Willow e a Riverlane recalibrando a correção de erros com uma GPU da Nvidia. O Interesting Engineering lembra que as máquinas atuais têm de centenas a milhares de qubits e ainda sofrem com erros causados pelo ambiente.
O que isso significa para o Brasil?
Para grupos brasileiros de pesquisa em computação quântica, o recado é de método. Um avaliador automático confiável, que diz se o circuito está certo e quanto custa, permite pôr um modelo para testar muitas ideias sem supervisão. O texto da Anthropic não diz se os circuitos ou o código serão publicados. Até lá, o que dá para reaproveitar é a receita do ciclo fechado.
Para bancos, empresas de pagamento e órgãos públicos que planejam a troca para criptografia pós-quântica, o estudo reforça um ponto de planejamento. O custo estimado de algoritmos quânticos cai com avanço de software, além do aumento de qubits. Quem calcula o prazo de migração olhando só a evolução do hardware tende a errar para o lado otimista.
O que observar nas próximas semanas
A tese da Marcio.AI: até o fim de 2027, as principais estimativas de recursos para algoritmos quânticos vão incorporar circuitos encontrados por modelos de IA, e o gargalo passa a ser a verificação independente desses desenhos. Sinais para conferir. A revisão por pares do artigo e a publicação dos circuitos. Uma resposta do Google Quantum AI ao novo decodificador do DQI. A entrada desses circuitos em estimativas de algoritmos completos. E o passo que a própria Anthropic aponta como próximo: otimizar em conjunto os componentes de um computador quântico com correção de erros.
Fontes
- Anthropic, Designing more efficient quantum circuits with Claude, 16/10/2026
- arXiv, Discovering state-of-the-art quantum circuits with large language models (Gu, Kemeny, Yelin e Lukin), 15/10/2026
- The Quantum Insider, Anthropic’s Claude Designs Leaner Quantum Circuits, Reducing Resources Needed for Key Calculations, 17/10/2026
- Quantum Computing Report, Harvard, Anthropic, and QuEra Use LLMs to Discover Quantum Circuits with Up to 9,100x Lower Resource Costs, 17/10/2026
- Interesting Engineering, Claude solves quantum memory bottleneck with 17x leaner circuit, 16/10/2026
- ForkLog, Anthropic’s Claude slashes gates 17x in elliptic-curve quantum circuit, 17/10/2026
Rating Marcio.AI: 5/5 (Global, Totalmente relevante, No centro do hype). Seção DeepTech do Watcher.
#MarcioAI #ComputacaoQuantica #Anthropic #Claude #CircuitosQuanticos #Harvard #CurvasElipticas
Como este texto foi produzido
Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.
Leia também: Google reduz em 40 vezes o erro dos estados mágicos no chip quântico Willow e Riverlane recalibra a correção de erros quânticos em 2,8 segundos com uma GPU da Nvidia.