Claude progetta circuiti quantistici: 17 volte meno porte logiche

Anthropic ha pubblicato una ricerca che sposta un po’ più in là il confine di ciò che un modello linguistico sa fare da solo: Claude Mythos 5, lavorando in un ciclo chiuso con un valutatore automatico e “in gran parte in autonomia”, ha progettato circuiti quantistici per otto compiti di calcolo e in diversi casi ha battuto i migliori progetti pubblicati finora. Il risultato più citato è un circuito per l’inversione modulare che richiede il 12% di qubit in più ma ben 17 volte meno porte logiche rispetto al progetto più compatto già noto.

Non è la solita storia del chatbot che scrive codice. Qui l’AI contribuisce a un problema di ricerca aperta, con una verifica formale del risultato, e lo fa in un ambito, il calcolo quantistico, dove ogni riduzione di risorse avvicina o allontana scenari molto concreti, dalla chimica dei materiali alla crittografia.

Cosa ha fatto Claude e come è stato misurato

La ricerca, intitolata “Designing efficient quantum circuits” e pubblicata da Anthropic il 16 ottobre 2026, è accompagnata da un articolo tecnico di 46 pagine su arXiv con identificativo 2610.22367. Il lavoro è guidato da Andi Gu nell’ambito dello STEM Fellows Program di Anthropic, con la mentorship di Alek Kemeny e la collaborazione di Susanne Yelin e Mikhail Lukin, di Harvard e QuEra Computing. Puoi leggere la scheda originale di Anthropic e il paper su arXiv per i dettagli completi.

Il metodo è semplice da descrivere e difficile da eseguire bene. Claude scrive un progetto di circuito in Python, un valutatore automatico ne verifica la correttezza e lo valuta con una metrica che moltiplica il numero di qubit per il numero di porte, poi il ciclo riparte senza alcun intervento umano tra un giro e l’altro.

Otto compiti, sette miglioramenti netti

I compiti coprono chimica, ottimizzazione, simulazione quantistica, teoria dei numeri e calcolo numerico. Secondo il paper, in sette degli otto casi i circuiti riducono in modo significativo sia il numero di porte Toffoli sia quello dei qubit; l’ottavo ha prodotto una nuova architettura reversibile per l’inversione modulare su campi primi. Alcuni miglioramenti raggiungono un ordine di grandezza o più, ma ricorda che si tratta di numeri dichiarati dagli autori, non ancora verificati in modo indipendente.

Il caso più importante: l’addizione di punti sulle curve ellittiche

Il risultato che ha attirato più attenzione riguarda l’addizione di punti su curva ellittica, un blocco centrale negli algoritmi quantistici per il problema del logaritmo discreto. Il passaggio più costoso è l’inversione modulare, ed è lì che Claude ha lavorato.

A partire da un brief di un solo paragrafo, il modello ha lavorato per 53 ore. Ha trovato un modo di implementare in forma reversibile l’algoritmo divsteps senza dover conservare la cronologia delle scelte fatte a ogni iterazione, che nei circuiti reversibili tradizionali richiede molti qubit aggiuntivi.

L’idea è ricostruire quelle informazioni di ramo a partire dalla coppia di numeri che si ottiene dopo ogni passo. Claude ha dimostrato le identità algebriche necessarie, ha verificato la formula di decodifica con simulazioni su larga scala e ha formalizzato l’affermazione nel linguaggio Lean, un assistente di dimostrazione.

Il compromesso tra qubit e porte

Variando la soglia tra ciò che si memorizza e ciò che si ricostruisce, il modello ha generato una famiglia di progetti. Il più citato usa il 12% di qubit in più del progetto più piccolo noto, ma richiede 17 volte meno porte. I confronti riportati dalla ricerca sono con i lavori di Schrottenloher e di Luo e colleghi, entrambi del 2026.

Questo punto è importante: il 17x vale per una specifica configurazione e non per ogni progetto possibile. Esiste un progetto con ancora meno qubit, ma con un costo in porte molto maggiore. In pratica la ricerca allarga la frontiera di Pareto, cioè l’insieme dei compromessi migliori disponibili tra memoria e tempo di calcolo.

Un decodificatore 12 volte più economico per l’interferometria quantistica

Il secondo risultato riguarda la decoded quantum interferometry, o DQI, una famiglia di algoritmi per problemi di ottimizzazione. Il caso studiato è il problema dell’intersezione ottimale di polinomi, che usa un decodificatore di Reed-Solomon. Le stime di Google Quantum AI richiamate dalla ricerca indicano circa tre mesi su un supercomputer come Frontier contro circa un’ora su un futuro computer quantistico.

Claude ha costruito il circuito attorno alla decodifica di Berlekamp-Massey, che esegue gli stessi passi a ogni round, invece dell’algoritmo di Euclide esteso usato prima. Nel caso peggiore la memoria necessaria sarebbe di 665 qubit, ma una simulazione su 403 milioni di decodifiche campione ha mostrato che quasi sempre basta salvare al massimo un valore, così il circuito ne riserva soltanto 19.

Circa una esecuzione su 10.000 supera quel limite e fallisce, un tasso che, secondo la ricerca, rientra nell’errore consentito dal compito. Il risultato complessivo è una riduzione del numero di porte di un fattore 12 rispetto alla costruzione precedente di Google.

Perché conta davvero, e perché serve prudenza

Il contesto aiuta a capire la direzione. Nel 2017 si stimava che calcolare l’energia dello stato fondamentale del cluster FeMoco, legato alla fissazione dell’azoto, richiedesse circa 50 mila miliardi di porte Toffoli. Una serie di avanzamenti algoritmici, non attribuiti al solo Claude, ha portato la stima a circa 340 milioni per lo stesso modello a 54 orbitali, un calo di circa 150.000 volte. È questo il tipo di traiettoria in cui si inserisce il nuovo lavoro.

Le macchine di oggi, però, hanno da centinaia a qualche migliaio di qubit rumorosi. Servono correzione degli errori, controlli hardware affidabili e una gestione migliore di qubit fragili prima che questi circuiti girino davvero su un computer quantistico. Si tratta di stime di risorse e di progetti, non di esperimenti eseguiti.

Cosa dice la ricerca sui limiti del modello

Anthropic ammette che nei primi esperimenti Claude era conservativo: metteva spesso in dubbio i miglioramenti e tendeva a preferire approcci noti. Per correggere il tiro i ricercatori hanno richiesto più strategie qualitativamente diverse sviluppate in parallelo e, ogni tanto, hanno spinto il modello a cercare in modo più ampio.

Per la crittografia la ricerca non traccia da sola una scadenza. Sappiamo che l’addizione di punti è centrale negli algoritmi quantistici contro le curve ellittiche e che l’inversione modulare ne domina il costo, ma l’impatto su un cifrario specifico o su una data precisa non viene valutato. Fai quindi attenzione ai titoli che parlano di “crittografia a rischio”: è un’estrapolazione, non una conclusione del paper.

Il filo con le altre ricerche di Claude sulla crittografia

Questo studio arriva a poche ore da un altro risultato legato ai numeri e agli algoritmi: i ricercatori di Anthropic hanno raccontato come Claude abbia ricostruito l’origine dei semi delle curve NIST, che portano a un generatore casuale della libreria C inizializzato con timestamp Unix. Ne abbiamo parlato nell’articolo su Claude e l’origine dei semi delle curve NIST.

Se ti interessa il rapporto tra AI, curve ellittiche e sicurezza dei portafogli crypto, trovi il nostro articolo sulla bunker mode e la sicurezza di ECDSA. Per capire come i modelli Anthropic sono arrivati a questo livello nell’analisi crittografica, c’è anche il nostro articolo su Claude Mythos e la crittanalisi.

Per una panoramica più ampia sull’assistente di Anthropic e sui suoi modelli, ti rimando alla nostra guida a Claude AI.

Cosa cambia per te e cosa tenere d’occhio

La lezione più concreta non riguarda i qubit, ma il metodo. Un modello affiancato da un valutatore automatico che misura un obiettivo preciso può esplorare uno spazio di progetti molto più a lungo e con più pazienza di un gruppo di ricerca, e può accompagnare le proprie scoperte con dimostrazioni formali. Dove esiste una metrica chiara e un controllo affidabile, questo schema è replicabile in altri campi.

Resta il fatto che i numeri vanno letti con cautela: il confronto è con progetti pubblicati, il 17x è legato a una configurazione e la validazione indipendente è ancora da fare. Aspettati le repliche della comunità, sia sul fronte quantistico sia su quello della crittografia post-quantistica.

Se lavori con la sicurezza informatica, la crypto o la ricerca scientifica, segui il paper su arXiv e i commenti degli esperti nelle prossime settimane. E se vuoi restare aggiornato sulle novità dell’AI che contano davvero, continua a seguire le nostre news: le analizziamo partendo sempre dalle fonti primarie.