أبحاث IBM تثبت تفوق الدوائر الكمومية على نماذج اللغة الكبيرة في مشكلتين

أجرت أبحاث IBM في 15 سبتمبر 2026، نشر وصفًا عن عمل يثبت الفواصل النظرية غير المشروطة بين الدوائر الكمومية الضحلة ونماذج اللغة الكبيرة: مشكلة وظيفية واحدة ومشكلة أخذ عينات واحدة تكون فيها الدوائر الكمومية الضحلة تتمتع بميزة مثبتة على نماذج اللغة الكبيرة.

تُدرج سطر المؤلفين في المشاركة أسماء Srinivasan Arunachalam، Arkopal Dutt، Hari Krovi، Rik Sengupta، وRyan Mandelbaum. تصف المقالة “Separating quantum circuits from classical LLMs” التي كتبها Arunachalam، Dutt، Krovi، وSengupta، والتي نُشر على arXiv في 4 أغسطس 2026، وتضم 60 صفحة مع ستة رسوم. يضع الملخص العمل كخطوة تمهيدية لدراسة الميزة الكمومية في عصر نماذج اللغة الكبيرة. يصف المؤلفون النتائج بأنها نظرية وليس عمليةً فوريةً، مشيرين إلى الفجوة بين الأجهزة الضخمة المتقدمة التي تدعم نماذج اللغة الكبيرة الحديثة والحواسيب الكمومية ذات الأخطاء الحالية.

خط بحث من 2018 إلى نماذج اللغة الكبيرة

يتبع هذا العمل خطًا من البحث حول الدوائر الكمومية الضحلة، حيث يبقى عمق الدائرة ثابتًا مع زيادة عدد الكيوبتات. أظهر نتيجة عام 2018 نُشرت في مجلة Science بواسطة باحثي IBM Sergey Bravyi، David Gosset، وRobert König أن نموذجًا معينًا من الدوائر الكمومية ذات العمق الثابت يمكنه حل مشكلات بحث محددة لا يستطيع أي دائرة كلاسيكية ذات عمق ثابت مماثل حلها. ومنذ ذلك الحين، عزز الباحثون هذه الفجوة تدريجيًا ضد نماذج أكثر تعبيرًا من الحوسبة الكلاسيكية، بينما ظل الجانب الكمومي ضحلًا، وفقًا للمشاركة.

نظرًا للانتشار الواسع لنماذج اللغة الكبيرة في المهام الحاسوبية، سعى المؤلفون إلى إظهار فواصل بين نوعين أساسيين من المشكلات. تتضمن المشكلات الوظيفية حساب قيمة دالة وإرجاع النتيجة الصحيحة لمدخل معين، مثل جلب معلومة محددة استجابةً لموجه. أما مشكلات أخذ العينات فتنطوي على توليد مخرجات وفق توزيع احتمالي مطلوب، مثل إنتاج نصوص أو صور جديدة استجابةً لموجه.

فاصل وظيفي وفاصل أخذ عينات

الفصل الوظيفي: دالة الفهرس المتكررة

في الحالة الوظيفية، يركز المقال على المحوّلات التي تعتمد على فك الترميز فقط، وهي البنية التي تقف وراء العديد من نماذج اللغة الكبيرة البارزة مثل GPT وClaude وLlama. تقوم المحوّلة بتقسيم المدخل الخام إلى رموز، وتضمّن هذه الرموز كسلسلة من المتجهات، وتعيد وزن هذه المتجهات عبر طبقات متعددة بشكل متكرر، باستخدام معلمات مُتعلمة وآلية النقطية المقيّسة المسماة الانتباه. تولّد نماذج فك الترميز فقط رموزًا جديدة تسلسليًا استجابةً لموجه.

حددت أبحاث التعقيد السابقة على المحوّلات دالة الفهرس المتكررة كمشكلة تتطلب موارد حوسبة هائلة. توضح المشاركة ذلك من خلال مدخل فهرس في الجزء الخلفي من كتاب يشير إلى مدخل فهرس في كتاب ثانٍ، والذي يشير إلى مدخل في كتاب ثالث، وهكذا؛ وتسأل المشكلة عن المكان الذي تنتهي فيه سلسلة المراجع بعد عدد كبير من الكتب المتتالية.

تكييف النتيجة السابقة قدم حدًا أدنى يُظهر أن حل مشكلة الفهرس المتكرر يتطلب موارد حوسبة كبيرة من المحوّلات. ثم أظهر المؤلفون أن المشكلة قابلة للحل بواسطة دائرة كمومية ذات عمق شبه ثابت مدعومة ببوابة AND كلاسيكية واحدة، وأن هذا العمق لا يمكن جعله ثابتًا تمامًا. يذكر الملخص أن الدالة قابلة للحساب في دوائر QNC^0 ذات عمق O(log log n) مع تطبيق بوابة AND كلاسيكية واحدة لاحقًا، في حين أن أي محوّل يعتمد على فك الترميز فقط بعمق ثابت يحسبها يجب أن يكون عرضه n^Ω(1).

فاصل أخذ العينات: التماثل ونماذج اللغة الانتشارية

النتيجة الثانية تتعلق بالمشكلات التوزيعية، التي تظهر أشهر أمثلتها في توليد الصور التي تديرها نماذج الانتشار مثل DALL·E وStable Diffusion. يدرس المقال نماذج اللغة الانتشارية، التي تُدرّب بإضافة ضوضاء عشوائية إلى النص وتعلم إلغاء الفساد خطوة بخطوة؛ وفي وقت الاختبار، تبدأ من الضوضاء وتزيلها تدريجيًا حتى يتخذ الناتج الشكل المطلوب.

المشكلة الكلاسيكية هنا، أخذ عينات التماثل، تشبه تلك التي استخدمها Bravyi وزملاؤه لمقارنة الدوائر الكمومية والدوائر الكلاسيكية الضحلة في عام 2018. يُعطى سلسلة من 0s and 1s، يطرح سؤال التماثل ما إذا كانت السلسلة تحتوي على عدد زوجي أم فردي من الآحاد. يمكن لدائرة كمومية ذات عمق ثابت أن تستخدم التشابك والتداخل لتوقع تماثل سلسلة غير معروفة وبالتالي أخذ عينات من سلاسل ذات تماثل محدد بكفاءة.

أظهرت الأعمال السابقة حدودًا على مدى قدرة نماذج اللغة الانتشارية على حل نسخة من مشكلة العينة هذه، لكن تلك النتائج لم تغطِ النماذج المزوَّدة بسلسلة التفكير، حيث يولِّد النموذج ويعمل عبر الرموز الوسيطة، وهي قدرة وجدت الأبحاث السابقة عمومًا أنها تجعل النماذج أكثر قدرة بشكل ملحوظ. أثبت المؤلفون أنه حتى عندما يُمنح نموذج اللغة الانتشارية إمكانية الوصول إلى قدر من سلسلة التفكير، لا يزال غير قادر على مطابقة التوزيع الذي ينتجه الدائرة الكمومية الضحلة بكفاءة. كما يذكر الملخص أن هناك توزيعًا يمكن عينه بواسطة دوائر QNC^0 ذات العمق الثابت لا يمكن لأي نموذج لغة انتشارية ذو جولات ثابتة يستخدم جدولة ضحلة وإزالة الضوضاء عينه ضمن مسافة ثابتة، حتى مع السماح بسلسلة تفكير تحت خطية وإعادة تعديل الرموز المخرجة وإعادة القناع.

القيود والاتجاهات المستقبلية

يصف المؤلفون العمل بأنه نظري بحت، يتألف من براهين رياضية. ويعترفون بأن الحواسيب الكمومية الحالية محدودة في قدراتها وتخضع للضوضاء والأخطاء، بينما نماذج LLM التقليدية لديها إمكانية الوصول إلى أحدث الأجهزة الحاسوبية على نطاق واسع. لا يحدد العمل مقياسًا دقيقًا يتفوق عنده الأنظمة الكمومية على نماذج LLM في المشكلات المحددة التي دُرست؛ يذكر المؤلفون فقط أنه من الناحية الأسيمتوتية، ستتفوق الدوائر الكمومية على نماذج LLM عندما تُقارن مباشرةً.

قال المؤلفون إنهم يأملون أن تمهد الأفكار الطريق إلى معايير ملموسة تقارن بين الأنظمة الكمومية ونماذج LLM في هذه المشكلات الصعبة. من بين الأسئلة المفتوحة التي ذكرواها هي أي المشكلات تفرق بين الدوائر الكمومية الضحلة والنماذج الأقوى من نماذج LLM، وكيفية مقارنة الدوائر الكمومية الأقل تقييدًا. هدفهم الطويل الأمد هو رسم خريطة شاملة للفواصل غير المشروطة بين الحوسبة الكمومية الكاملة والحوسبة الكلاسيكية، وهو هدف يصفونه بأنه لا يزال بعيدًا كثيرًا.

في هذه الأثناء، كتبوا إن العمل ينبغي أن يحفز تطوير الخوارزميات والتطبيقات للحوسبة الكمومية، نظرًا لأن بعض المشكلات تتجاوز قدرة بنى نماذج LLM المدروسة بينما تظل قابلة للمعالجة حتى في نماذج الحوسبة الكمومية المتحملة للأخطاء المحدودة. كما يطرح المؤلفون احتمال أن تُعزز الحوسبة الكمومية في المستقبل أنظمة الذكاء الاصطناعي الكلاسيكية، مما يسمح لها بالتعامل مع مهام تتطلب موارد حسابية أكبر بكثير، ويعبرون عن تفاؤلهم بمستقبل الحوسبة الهجينة الكمومية-الكلاسيكية المتكاملة.