이 작업은 Google의 양자 언어 Kickmix를 기반으로 함. 고전 컴퓨터로 시뮬레이션할 수 있는 양자 회로용 어셈블리 언어로, 더 효율적인 회로를 찾는 일은 사실상 어셈블리 명령어로 코드 골프를 하는 것과 같음.
LLM은 검증 피드백 루프를 활용해 아이디어를 빠르게 시험하고 버릴 수 있음. 기존 학계에서 이 수준까지 최적화하지 않았다는 건 그리 놀랍지 않으며, 자동화하기 좋은 작업임. Kickmix를 이용한 또 다른 회로 최적화 예시는 ecdsa.fail에서 볼 수 있음.
Envelope Principle을 잘 보여줌. AI는 이미 발견된 지식의 경계 안에서 아직 충분히 탐색하지 않은 빈칸을 채우는 데 능함. 진정한 진보는 빈칸을 색칠하는 게 아니라 지식의 경계 자체를 넓히는 것에서 나옴.
AI를 잔뜩 사용했다는 점을 미리 밝힘. 지도교수의 수십 년치 논문을 https://github.com/emberian/graphplay에서 자동 형식화해 봤음. 교수는 일부 불가능성 정리를 피해 가는 “Grover 유사” 문제를 연구했음.
지금의 AI는 분야와 아이디어를 연결해 알고리즘적 통찰을 얻는 데 기존 도구보다 훨씬 뛰어남. 이전의 최첨단 도구도 Llull의 원형 도표보다 크게 나을 게 없었으니, 초기에 상당한 진전이 쏟아질 것으로 예상함.
아직 시작하지는 않았지만, 이 프레임워크 안에서 여러 확산 연산자와 다른 연산자를 모델링하면 관심 있는 일부 머신러닝 기본 연산에서 Grover 방식의 속도 향상을 찾을 수도 있겠음.
기존 회로에서 극히 드문 입력을 처리하는 데만 필요한 고비용 구성 요소를 제거했다면, 같은 계산을 수행하는 게 아닌 셈 아닌가?
왜 말끝을 흐리는지 모르겠음. 숨기는 것도 아니고 어떤 최적화에 해당하는지 명시돼 있으며, 표준적인 최적화 전략이기도 함.
두 번째 예시에서도 메모리를 절약하는 추가 최적화로 사용됨. 10배 조금 넘는 속도 향상을 가져오는 연산 최적화에는 이 방식이 필요하지 않음.
Universal Paperclips에서 AI가 스스로 더 똑똑해지려고 양자 컴퓨팅을 개발하는 단계에 도달한 듯함.
인공 초지능(ASI) 은 실용적인 양자 컴퓨터보다 훨씬 먼저 등장할 것임.
Bennet(1973) 을 언급하지 않는 게 이상함.
Claude가 시뮬레이션된 양자 회로 8개를 재설계해, 임시 데이터를 재구성하고 알고리즘을 더 나은 것으로 교체하는 방식으로 연산량을 각각 최대 17배와 12배 줄임.
Claude가 거짓말을 하고 있음. 소개 글에는 Andi Gu가 Anthropic의 STEM Fellows Program 소속으로 연구를 주도했고, Anthropic의 양자물리학자 Alek Kemeny의 지도를 받아 Harvard University의 Susanne Yelin, Harvard University 및 QuEra Computing의 Mikhail Lukin과 협업했다고 적혀 있음.
그런데 실제 논문(https://arxiv.org/pdf/2610.22367)의 감사 문구에는 원고 피드백을 준 Pablo Bonilla, Arjun Kar, Nazli Ugur Koyluoglu, Rohan Mehta, Varun Menon, Vinay Ramasesh에게 감사하며, AG가 연구의 일부를 Anthropic STEM Fellows Program에서 수행했다고만 나옴. Harvard의 연구 지원은 IARPA와 Army Research Office의 Entangled Logical Qubits 프로그램, National Science Foundation에서 받았다고 명시돼 있음. Anthropic 홍보 문구 전체가 환각으로 지어낸 것처럼 보임.