IBM Research dokazuje, že kvantové obvody překonávají LLM ve dvou problémech

IBM Research dne 15. září 2026 publikoval zprávu o práci dokazující neomezená teoretická oddělení mezi mělkými kvantovými obvody a velkými jazykovými modely: jeden funkční problém a jeden vzorkovací problém, pro které mělké kvantové obvody mají prokazatelnou výhodu oproti LLM.

V autorovi příspěvku jsou uvedeni Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta a Ryan Mandelbaum. Popisuje článek \”Separating quantum circuits from classical LLMs\”, od Arunachalama, Dutta, Kroviho a Sengupty, který byl zveřejněn na arXivu 4. srpna 2026 a má 60 stran se šesti obrázky. Abstrakt rámuje práci jako zahájení studia kvantové výhody v éře velkých jazykových modelů. Autoři popisují výsledky jako teoretické spíše než okamžitě praktické a poukazují na rozdíl mezi vyspělým, velkorozměrným hardwarem moderních LLM a chybovými kvantovými počítači, které jsou v současnosti k dispozici.

Výzkumná linie od roku 2018 k LLM

Práce navazuje na výzkumnou linii o mělkých kvantových obvodech, kde hloubka obvodu zůstává konstantní i při zvyšování počtu qubitů. Výsledek z roku 2018 publikovaný v časopise Science výzkumníky IBM Sergeyem Bravyim, Davidem Gossetem a Robertem Königem ukázal, že určitý model konstantně hloubkových kvantových obvodů dokáže řešit konkrétní vyhledávací úlohy, které žádný srovnatelný konstantně hloubkový klasický obvod nedokáže vyřešit. V následujících letech výzkumníci postupně posilovali toto oddělení proti stále expresivnějším modelům klasické výpočetní techniky, zatímco kvantová strana zůstala mělká, podle příspěvku.

Vzhledem k všudypřítomnosti LLM v výpočetních úlohách autoři hledali oddělení pro dva základní typy problémů. Funkční problémy zahrnují výpočet hodnoty funkce a vrácení správného výstupu pro daný vstup, například získání konkrétní informace jako odpověď na výzvu. Vzorkovací problémy zahrnují generování výstupu podle požadované pravděpodobnostní distribuce, například tvorbu nového textu nebo obrázků jako reakci na výzvu.

Jedno funkční a jedno vzorkovací oddělení

Funkční oddělení: iterovaná indexová funkce

V případě funkčního problému se článek zaměřuje na transformátory pouze s dekodérem, architekturu stojící za mnoha významnými LLM, včetně GPT, Claude a Llama. Transformátor tokenizuje surový vstup, zakóduje tokeny jako sekvenci vektorů a opakovaně přehodnocuje tyto vektory napříč několika vrstvami pomocí naučených parametrů a škálovaného součinu nazývaného pozornost (attention). Modely pouze s dekodérem generují nové tokeny sekvenčně jako odpověď na výzvu.

Předchozí výzkum složitosti transformátorů identifikoval iterovanou indexovou funkci jako problém vyžadující značné výpočetní zdroje. Příspěvek ji ilustruje pomocí položky v rejstříku na konci jedné knihy, která odkazuje na položku v rejstříku druhé knihy, která odkazuje na položku ve třetí, a tak dále; problém se ptá, kde tato řetězec odkazů končí po mnoha po sobě jdoucích knihách.

Úprava předchozího výsledku poskytla dolní mez ukazující, že řešení iterovaného indexového problému vyžaduje od transformátorů dostatečně velké výpočetní zdroje. Autoři pak ukázali, že problém je řešitelný kvantovým obvodem téměř konstantní hloubky, rozšířeným o jediný klasický AND hradlo, a že tuto hloubku nelze učinit skutečně konstantní. V abstraktu je uvedeno, že funkce je vypočitatelná v QNC^0 obvodech s hloubkou O(log log n) a jedním klasickým AND hradlem aplikovaným následně, zatímco jakýkoli konstantně hloubkový transformátor pouze s dekodérem, který ji vypočítá, musí mít šířku n^Ω(1).

Vzorkovací oddělení: parita a difuzní jazykové modely

Druhý výsledek se týká distribučních problémů, jejichž nejznámější příklady se objevují při generování obrázků pomocí difuzních modelů jako DALL·E a Stable Diffusion. Článek zkoumá difuzní jazykové modely, které jsou trénovány přidáváním náhodného šumu k textu a učením odstraňovat korupci po jednom kroku; při testování začínají od šumu a iterativně jej odstraňují, dokud výstup nedosáhne požadovaného tvaru.

Klasický problém zde, paritní vzorkování, je podobný tomu, který Bravyi a jeho spoluautoři použili v roce 2018 k porovnání kvantových a klasických mělkých obvodů. U daného řetězce nul a jedniček se parita ptá, zda řetězec obsahuje sudý nebo lichý počet jedniček. Konstantně hloubkový kvantový obvod může využít provázání a interferenci k předpovědi parity neznámého řetězce a tím efektivně vzorkovat řetězce se zadanou paritou.

Předchozí výzkum ukázal omezení, jak dobře difúzní jazykové modely dokážou řešit verzi tohoto problému se vzorkováním, avšak tyto výsledky se netýkaly modelů vybavených řetězcem myšlenek, ve kterém model generuje a zpracovává mezilehlé tokeny – schopnost, o níž dřívější výzkumy obecně zjistily, že modely výrazně zvyšuje. Autoři prokázali, že i když je difúznímu jazykovému modelu poskytnut určitý objem řetězce myšlenek, stále nedokáže efektivně odpovídat rozdělení, které produkuje mělký kvantový obvod. V abstraktu je také uvedeno, že existuje rozdělení, které lze vzorkovat konstantně hloubkovými obvody QNC^0, a které žádný konstantně krouživý difúzní jazykový model používající mělké plánování a denoising nedokáže vzorkovat v konstantní vzdálenosti, a to i při povoleném podlineárním řetězci myšlenek a revizi a přemaskování výstupních tokenů.

Omezení a další směry

Autoři popisují tuto práci jako pevně teoretickou, založenou na matematických důkazech. Uznávají, že současné kvantové počítače jsou omezené ve svých schopnostech a podléhají šumu a chybám, zatímco klasické LLM mají přístup k špičkovému výpočetnímu hardwaru ve velkém měřítku. Práce neidentifikuje žádné konkrétní měřítko, při kterém by kvantové systémy převyšovaly LLM v konkrétních zkoumaných problémech; autoři uvádějí pouze, že asymptoticky budou kvantové obvody převyšovat LLM, pokud jsou přímo porovnávány.

Autoři uvedli, že doufají, že získané poznatky otevřou cestu k konkrétním benchmarkům, které porovnají kvantové systémy a LLM v těchto obtížných problémech. Mezi otevřenými otázkami, které jmenovali, jsou například to, které problémy oddělují mělké kvantové obvody od modelů výkonnějších než LLM, a jak se méně omezené kvantové obvody srovnávají. Jejich dlouhodobým cílem je zmapovat kompletní krajinu bezpodmínečných oddělení mezi plně obecnými kvantovými a klasickými výpočty, což popisují jako cíl, který je stále ještě daleko.

Mezitím, jak autoři napsali, by tato práce měla motivovat vývoj algoritmů a aplikací pro kvantové výpočty, vzhledem k tomu, že některé problémy jsou mimo dosah architektur LLM, které byly zkoumány, ale zůstávají řešitelné i pro omezené modely fault-tolerantního kvantového výpočtu. Autoři také zmiňují možnost, že kvantové výpočty by v budoucnu mohly doplňovat klasické AI systémy, což jim umožní řešit úkoly, které by jinak vyžadovaly podstatně větší výpočetní zdroje, a vyjadřují optimismus ohledně budoucnosti plně realizované hybridní kvantově-klasické výpočty.