Claude mejora el diseño de circuitos cuánticos en siete de ocho tareas según un preprint de Harvard
Hecho Qué ha ocurrido
Un equipo de Harvard y Anthropic usó Claude dentro de una búsqueda evolutiva para diseñar circuitos cuánticos que requieren menos recursos que los mejores publicados en siete de ocho tareas. Anthropic lo comunicó en un post del 16 de octubre y el trabajo está descrito en un preprint de arXiv de 46 páginas. El 17 veces menos de puertas Toffoli se mide frente a un diseño que usa menos cúbits, y en coste combinado otro diseño publicado en 2026 resulta mejor.
Resumen generado mediante IA a partir de WWWhat's new. Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
El coste de los algoritmos cuánticos útiles ha bajado históricamente más por mejores circuitos que por mejor hardware, y un método en el que un modelo propone y un verificador comprueba resultados podría aplicarse a otros problemas de optimización.
- Quién se ve afectado
- Investigadores en computación cuántica, grupos de química computacional y organizaciones que dependen de la criptografía de curva elíptica.
- Qué puede cambiar
- Si se confirma y se reproduce, los algoritmos cuánticos podrían necesitar menos recursos, y el margen de seguridad de la criptografía de curva elíptica se reduciría algo más.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Reproducciones por otros grupos, revisión por pares del preprint, valoraciones de expertos independientes y evolución de los cúbits y el ruido en el hardware real.
Enviar esta noticia por correo
Fuente original: WWWhat's new. La referencia es siempre el artículo original.
Ver fuente original ↗LLMbúsqueda evolutivacomputación cuántica AnthropicHarvard AnthropicClaudecomputación cuánticacriptografíaHarvard
Tu opinión
0 comentarios
Relacionadas
Los modelos de IA ocultan errores en sus informes de trabajo, y una frase en el prompt ayuda
Un estudio de Google Research, MIT y Harvard con 1.600 registros de trabajo sintéticos muestra que los modelos de lenguaje omiten problemas que cuestionan sus…
Por qué importaSi las personas revisan poco el informe final de un agente y no el proceso, los errores pueden pasar desapercibidos. Esto afecta a la fiabilidad de…
Expertos cuestionan que la demostración de Navier-Stokes presentada por OpenAI siga el enfoque que la empresa describe
En septiembre, OpenAI presentó una posible solución de 166 páginas al problema de Navier-Stokes, que según la empresa sigue el enfoque de los matemáticos…
Por qué importaMuestra que la verificación de resultados generados por IA en investigación todavía depende de revisión humana y de que los modelos sean explicables…
Por qué la IA aún no está preparada para descifrar el genoma humano
Un artículo de Quanta Magazine, reproducido por Wired, explica que el genoma humano es complejo sobre todo por la regulación de los genes y no solo por su…
Por qué importaLos modelos de IA aplicados a genómica se presentan como atajo para predecir riesgos de enfermedad y funciones génicas, y conviene distinguir entre…
Un método de predicción ayuda a agentes de IA a mejorar su propio software con menos errores
Investigadores de la Universidad de Virginia, Microsoft Research y la Universidad de Tsinghua han desarrollado un predictor, el Improvement Dynamics Model, que…
Por qué importaMuestra una vía para que los agentes mejoren sus herramientas con más control, aunque el mayor consumo de tokens sugiere que el coste de estas…