IBM Research beweist, dass Quanten‑Schaltungen LLMs bei zwei Problemen übertreffen

IBM Research am 15. September 2026 veröffentlichte einen Bericht über Arbeiten, die bedingungslose theoretische Trennungen zwischen flachen Quanten‑schaltungen und großen Sprachmodellen nachweisen: ein funktionales Problem und ein Stichproben‑Problem, für die flache Quanten‑schaltungen einen beweisbaren Vorteil gegenüber LLMs besitzen.

In der Autorenzeile des Beitrags werden Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta und Ryan Mandelbaum aufgeführt. Es beschreibt das Papier „Separating quantum circuits from classical LLMs“ von Arunachalam, Dutt, Krovi und Sengupta, das auf arXiv veröffentlicht wurde am 4. August 2026 und 60 Seiten mit sechs Abbildungen umfasst. Das Abstract stellt die Arbeit als Beginn der Untersuchung des quanten‑technologischen Vorteils im Zeitalter großer Sprachmodelle dar. Die Autoren beschreiben die Ergebnisse als theoretisch und nicht sofort praktisch, wobei sie auf die Kluft zwischen der ausgereiften, groß‑skaligen Hardware hinter modernen LLMs und den derzeit verfügbaren fehleranfälligen Quantencomputern hinweisen.

Eine Forschungslinie von 2018 bis zu LLMs

Die Arbeit folgt einer Forschungslinie zu flachen Quanten‑schaltungen, bei der die Tiefe einer Schaltung konstant bleibt, während die Anzahl der Qubits steigt. Ein 2018 in Science veröffentlichtes Ergebnis von IBM‑Forscher Sergey Bravyi, David Gosset und Robert König zeigte, dass ein bestimmtes Modell konstanter Tiefe von Quanten‑schaltungen spezifische Suchprobleme lösen kann, die keine vergleichbare klassische Schaltung konstanter Tiefe lösen kann. In den seitdem vergangenen Jahren haben Forschende diese Trennung gegenüber immer ausdrucksstärkeren Modellen klassischer Berechnung stetig verstärkt, während die Quantenseite laut Beitrag flach geblieben ist.

Angesichts der Allgegenwart von LLMs in rechnerischen Aufgaben suchten die Autoren nach Trennungen für zwei grundlegende Problemtypen. Funktionale Probleme beinhalten die Berechnung des Werts einer Funktion und die Rückgabe der korrekten Ausgabe für eine gegebene Eingabe, etwa das Abrufen einer bestimmten Information als Reaktion auf eine Eingabeaufforderung. Stichproben‑Probleme erfordern die Erzeugung einer Ausgabe gemäß einer gewünschten Wahrscheinlichkeitsverteilung, zum Beispiel das Erzeugen neuer Texte oder Bilder als Reaktion auf eine Eingabeaufforderung.

Eine funktionale und eine Stichproben‑Trennung

Funktionale Trennung: Die iterierte Indexfunktion

Im funktionalen Fall konzentriert sich das Papier auf Decoder‑only‑Transformer, die Architektur hinter vielen prominenten LLMs, darunter GPT, Claude und Llama. Ein Transformer tokenisiert Rohinput, bettet die Tokens als Sequenz von Vektoren ein und gewichtet diese Vektoren über mehrere Schichten hinweg wiederholt neu, wobei gelernte Parameter und ein skaliertes Punkt‑Produkt‑Verfahren namens Attention verwendet werden. Decoder‑only‑Modelle erzeugen neue Tokens sequenziell als Reaktion auf eine Eingabeaufforderung.

Frühere Komplexitätsforschung zu Transformern hatte die iterierte Indexfunktion als ein Problem identifiziert, das erhebliche Rechenressourcen erfordert. Der Beitrag veranschaulicht dies mit einem Indexeintrag am Ende eines Buches, der auf einen Indexeintrag in einem zweiten Buch verweist, der wiederum auf einen Eintrag in einem dritten Buch zeigt, und so weiter; das Problem fragt, wo diese Kette von Verweisen nach vielen aufeinanderfolgenden Büchern endet.

Die Anpassung des früheren Ergebnisses lieferte eine untere Schranke, die zeigt, dass die Lösung des iterierten Indexproblems von Transformern erhebliche Rechenressourcen erfordert. Die Autoren zeigten anschließend, dass das Problem von einer Quanten‑schaltung nahezu konstanter Tiefe, erweitert um ein einzelnes klassisches AND‑Gatter, lösbar ist, und dass diese Tiefe nicht wirklich konstant gemacht werden kann. Das Abstract gibt an, dass die Funktion in QNC^0‑Schaltungen mit O(log log n)‑Tiefe und einem nachträglich angewendeten klassischen AND‑Gatter berechenbar ist, während jeder Decoder‑only‑Transformer konstanter Tiefe, der sie berechnet, eine Breite von n^Ω(1) besitzen muss.

Stichproben‑Trennung: Parität und Diffusions‑Sprachmodelle

Das zweite Ergebnis befasst sich mit verteilungsbezogenen Problemen, deren bekannteste Beispiele in der Bildgenerierung durch Diffusions‑Modelle wie DALL·E und Stable Diffusion auftreten. Das Papier untersucht Diffusions‑Sprachmodelle, die trainiert werden, indem zufälliges Rauschen zu Text hinzugefügt wird und das Modell lernt, die Korruption Schritt für Schritt rückgängig zu machen; zur Testzeit beginnen sie mit Rauschen und entfernen es iterativ, bis die Ausgabe die gewünschte Form annimmt.

Das klassische Problem hier, Paritäts‑Stichprobe, ähnelt dem, das Bravyi und seine Mitautor*innen 2018 zum Vergleich von Quanten‑ und klassischen flachen Schaltungen verwendeten. Gegeben eine Zeichenkette aus 0 und 1, fragt die Parität, ob die Zeichenkette eine gerade oder ungerade Anzahl von 1 enthält. Eine Quanten‑schaltung konstanter Tiefe kann Verschränkung und Interferenz nutzen, um die Parität einer unbekannten Zeichenkette vorherzusagen und dadurch effizient Zeichenketten einer gewünschten Parität zu sampeln.

Frühere Arbeiten hatten Grenzen dafür aufgezeigt, wie gut Diffusions‑Sprachmodelle eine Variante dieses Stichproblems lösen können, doch diese Ergebnisse berücksichtigten keine Modelle, die mit Chain‑of‑Thought ausgestattet sind, bei denen ein Modell Zwischen‑Token generiert und verarbeitet – eine Fähigkeit, von der frühere Forschung im Allgemeinen festgestellt hat, dass sie Modelle deutlich leistungsfähiger macht. Die Autoren bewiesen, dass selbst wenn einem Diffusions‑Sprachmodell ein gewisser Anteil an Chain‑of‑Thought zur Verfügung gestellt wird, es die von einem flachen Quanten‑Schaltkreis erzeugte Verteilung nicht effizient nachbilden kann. Das Abstract stellt zudem fest, dass es eine Verteilung gibt, die von konstant‑tiefen QNC^0‑Schaltkreisen samplbar ist, die jedoch von keinem konstant‑runden Diffusions‑Sprachmodell, das flaches Scheduling und Denoising verwendet, innerhalb einer konstanten Distanz gesampelt werden kann, selbst wenn sublineares Chain‑of‑Thought sowie Revision und Remasking von Ausgabetoken erlaubt sind.

Einschränkungen und nächste Richtungen

Die Autoren beschreiben die Arbeit als eindeutig theoretisch, bestehend aus mathematischen Beweisen. Sie erkennen an, dass aktuelle Quantencomputer in ihren Fähigkeiten begrenzt sind und Rauschen sowie Fehler unterliegen, während klassische LLMs Zugang zu hochmodernen Rechenressourcen im großen Maßstab haben. Die Arbeit benennt keinen genauen Schwellenwert, bei dem Quantensysteme die LLMs bei den untersuchten spezifischen Problemen übertreffen; die Autoren stellen lediglich fest, dass asymptotisch Quanten­schaltkreise die LLMs übertreffen werden, wenn die beiden direkt verglichen werden.

Die Autoren erklärten, dass sie hoffen, die Erkenntnisse ebnen den Weg für konkrete Benchmarks, die Quantensysteme und LLMs bei diesen schwierigen Problemen vergleichen. Zu den offenen Fragen, die sie nannten, gehören, welche Probleme flache Quanten­schaltkreise von Modellen, die leistungsfähiger als LLMs sind, trennen, und wie weniger eingeschränkte Quanten­schaltkreise im Vergleich abschneiden. Ihr langfristiges Ziel ist es, die vollständige Landschaft der bedingungslosen Trennungen zwischen vollständig allgemeinen Quanten‑ und klassischen Berechnungen zu kartieren – ein Ziel, das sie als noch weit entfernt beschreiben.

In der Zwischenzeit schrieben sie, dass die Arbeit die Entwicklung von Algorithmen und Anwendungen für Quantencomputing motivieren sollte, da einige Probleme außerhalb der Reichweite der untersuchten LLM‑Architekturen liegen, während sie selbst für begrenzte Modelle des fehlertoleranten Quantencomputings noch lösbar bleiben. Die Autoren bringen zudem die Möglichkeit ins Spiel, dass Quantencomputing künftig klassische KI‑Systeme ergänzen könnte, sodass diese Aufgaben bewältigen, die sonst erheblich höhere Rechenressourcen erfordern würden, und sie äußern Optimismus hinsichtlich einer Zukunft vollständig realisierter hybrider Quanten‑klassischer Berechnungen.