IBM Research viser, at kvantekredsløb overgår LLM’er på to problemer

IBM Research den 15. september 2026 publicerede en redegørelse om arbejde, der beviser ubetingede teoretiske adskillelser mellem overfladiske kvantekredsløb og store sprogmodeller: ét funktionelt problem og ét prøveudtagningsproblem, hvor de overfladiske kvantekredsløb har en påviselig fordel i forhold til LLM’er.

Indlæggets forfatterliste indeholder Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta og Ryan Mandelbaum. Det beskriver artiklen “Separating quantum circuits from classical LLMs” af Arunachalam, Dutt, Krovi og Sengupta, som blev postet på arXiv den 4. august 2026 og omfatter 60 sider med seks figurer. Resuméet indrammer arbejdet som en indledning til studiet af kvantefordel i LLM-æraen. Forfatterne beskriver resultaterne som teoretiske snarere end umiddelbart praktiske og påpeger afstanden mellem den modne, store‑skala hardware bag moderne LLM’er og de fejlbehæftede kvantecomputere, der i øjeblikket er tilgængelige.

En forskningslinje fra 2018 til LLM’er

Arbejdet følger en forskningslinje om overfladiske kvantekredsløb, hvor kredsløbets dybde forbliver konstant, mens antallet af qubits stiger. Et resultat fra 2018 offentliggjort i Science af IBM-forskerne Sergey Bravyi, David Gosset og Robert König viste, at en bestemt model af konstant‑dybde kvantekredsløb kan løse specifikke søgeproblemer, som ingen tilsvarende konstant‑dybde klassisk kredsløb kan løse. I årene siden har forskerne løbende styrket denne adskillelse mod stadig mere udtryksfulde modeller af klassisk beregning, mens den kvantemæssige side har forblevet overfladisk, ifølge indlægget.

I lyset af LLM’ernes udbredelse i beregningsopgaver søgte forfatterne adskillelser for to grundlæggende typer af problemer. Funktionelle problemer indebærer at beregne værdien af en funktion og returnere det korrekte output for en given inddata, f.eks. at hente et specifikt stykke information som svar på en prompt. Prøveudtagningsproblemer indebærer at generere et output i overensstemmelse med en ønsket sandsynlighedsfordeling, f.eks. at producere ny tekst eller billeder som svar på en prompt.

En funktionel og én prøveudtagningsadskillelse

Funktionel adskillelse: Den itererede indeksfunktion

I det funktionelle tilfælde fokuserer artiklen på kun‑decoder‑transformere, arkitekturen bag mange fremtrædende LLM’er, herunder GPT, Claude og Llama. En transformer tokeniserer rå input, indlejrer tokenene som en sekvens af vektorer og gentagne gange omvægter disse vektorer på tværs af flere lag ved hjælp af indlærte parametre og en skaleret dot‑product‑mekanisme kaldet attention. Kun‑decoder‑modeller genererer nye token sekventielt som svar på en prompt.

Tidligere kompleksitetsforskning på transformere havde identificeret den itererede indeksfunktion som et problem, der kræver betydelige beregningsressourcer. Indlægget illustrerer det med en indeks­post i bagerste del af en bog, som peger på en indeks­post i en anden bog, som igen peger på en post i en tredje, osv.; problemet spørger, hvor denne kæde af referencer ender efter mange på hinanden følgende bøger.

Tilpasning af det tidligere resultat leverede en nedre grænse, der viser, at løsning af den itererede indeks‑opgave kræver tilstrækkeligt store beregningsressourcer fra transformere. Forfatterne demonstrerede derefter, at problemet kan løses af et kvantekredsløb med næsten konstant dybde, suppleret med en enkelt klassisk AND‑port, og at denne dybde ikke kan gøres fuldstændig konstant. Resuméet angiver, at funktionen er beregnelig i QNC^0‑kredsløb med O(log log n)-dybde og en enkelt klassisk AND‑port anvendt efterfølgende, mens enhver konstant‑dybde kun‑decoder‑transformer, der beregner den, skal have en bredde på n^Ω(1).

Prøveudtagningsadskillelse: Paritet og diffusions‑sprogsmodeller

Det andet resultat vedrører fordelingsproblemer, hvor de bedst kendte eksempler opstår i billedgenerering håndteret af diffusionsmodeller som DALL·E og Stable Diffusion. Artiklen undersøger diffusions‑sprogsmodeller, som trænes ved at tilføre tilfældig støj til tekst og lære at fjerne korruptionen trin for trin; ved testtidspunktet starter de fra støj og fjerner den iterativt, indtil outputtet antager den ønskede form.

Det klassiske problem her, paritet‑prøveudtagning, ligner det, som Bravyi og hans medforfattere brugte til at sammenligne kvante‑ og klassiske overfladiske kredsløb i 2018. Givet en streng af 0’er og 1’er spørger paritet, om strengen indeholder et lige eller ulige antal 1’er. Et konstant‑dybde kvantekredsløb kan udnytte sammenfiltring og interferens til at forudsige pariteten af en ukendt streng og dermed effektivt prøveudtage strenge med en specificeret paritet.

Tidligere arbejde havde vist begrænsninger i, hvor godt diffusionssprogmodeller kunne løse en version af dette prøvetagningsproblem, men de resultater dækkede ikke modeller udstyret med chain-of-thought, hvor en model genererer og arbejder sig igennem mellemliggende tokens, en evne som tidligere forskning generelt har fundet gør modeller betydeligt mere kapable. Forfatterne beviste, at selv når en diffusionssprogmodel får adgang til en vis mængde chain-of-thought, kan den stadig ikke effektivt matche fordelingen, som den flade kvantecircuit producerer. Abstractet angiver også, at der findes en fordeling, som kan samples af konstant-dybde QNC^0‑cirkuit, som ingen konstant‑runde diffusionssprogmodel med flad planlægning og denoising kan sample inden for konstant afstand, selv med sublineær chain-of-thought og revision samt genmaskering af output‑tokens tilladt.

Begrænsninger og fremtidige retninger

Forfatterne beskriver arbejdet som solidt teoretisk, bestående af matematiske beviser. De anerkender, at nuværende kvantecomputere er begrænsede i deres evner og udsat for støj og fejl, mens klassiske LLM’er har adgang til topmoderne computerhardware i stor skala. Arbejdet identificerer ingen præcis skala, hvor kvantesystemer vil overgå LLM’er på de specifikke problemer, der er undersøgt; forfatterne fastslår kun, at asymptotisk vil kvantecirkuiter overgå LLM’er, når de to sammenlignes direkte.

Forfatterne sagde, at de håber, indsigterne baner vejen for konkrete benchmarks, der sammenligner kvantesystemer og LLM’er på disse svære problemer. Blandt de åbne spørgsmål, de nævnte, er hvilke problemer der adskiller flade kvantecirkuiter fra modeller, der er mere kraftfulde end LLM’er, og hvordan mindre restriktive kvantecirkuiter sammenlignes. Deres langsigtede mål er at kortlægge det fulde landskab af ubetingede adskillelser mellem fuldt generel kvante- og klassisk beregning, et mål de beskriver som stadig langt væk.

I mellemtiden skrev de, at arbejdet bør motivere udviklingen af algoritmer og anvendelser for kvantecomputing, da nogle problemer ligger uden for rækkevidde for de LLM‑arkitekturer, der er undersøgt, mens de stadig er håndterbare for selv begrænsede modeller af fejl-tolerant kvantecomputing. Forfatterne rejser også muligheden for, at kvanteberegning på sigt kan supplere klassiske AI‑systemer, så de kan håndtere opgaver, der ellers ville kræve væsentligt større beregningsressourcer, og de udtrykker optimisme om en fremtid med fuldt realiseret hybrid kvante‑klassisk beregning.