Η IBM Research αποδεικνύει ότι τα κβαντικά κυκλώματα υπερέχουν των LLM σε δύο προβλήματα

Η IBM Research στις 15 Σεπτεμβρίου 2026, δημοσίευσε μια αναφορά για την εργασία που αποδεικνύει ανεξάρτητες θεωρητικές διαχωριστικές αποδείξεις μεταξύ ρηχών κβαντικών κυκλωμάτων και μεγάλων γλωσσικών μοντέλων: ένα λειτουργικό πρόβλημα και ένα πρόβλημα δειγματοληψίας για τα οποία τα ρηχά κβαντικά κυκλώματα έχουν αποδεδειγμένο πλεονέκτημα έναντι των LLM.

Η γραμμή συντάκτη της ανάρτησης αναφέρει τους Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta και Ryan Mandelbaum. Περιγράφει το άρθρο «Separating quantum circuits from classical LLMs», των Arunachalam, Dutt, Krovi και Sengupta, το οποίο αναρτήθηκε στο arXiv στις 4 Αυγούστου 2026, και αποτελείται από 60 σελίδες με έξι σχήματα. Η περίληψη θέτει την εργασία ως έναρξη της μελέτης του κβαντικού πλεονεκτήματος στην εποχή των μεγάλων γλωσσικών μοντέλων. Οι συγγραφείς περιγράφουν τα αποτελέσματα ως θεωρητικά και όχι άμεσα πρακτικά, επισημαίνοντας το χάσμα μεταξύ του ώριμου, μεγάλης κλίμακας υλικού που υποστηρίζει τα σύγχρονα LLM και των επιρρεπών σε σφάλματα κβαντικών υπολογιστών που είναι διαθέσιμοι σήμερα.

Μια Ερευνητική Γραμμή από το 2018 έως τα LLM

Η εργασία ακολουθεί μια γραμμή έρευνας για ρηχά κβαντικά κυκλώματα, όπου το βάθος ενός κυκλώματος παραμένει σταθερό καθώς αυξάνεται ο αριθμός των qubits. Ένα αποτέλεσμα του 2018 που δημοσιεύτηκε στο Science από ερευνητές της IBM, Sergey Bravyi, David Gosset και Robert König, έδειξε ότι ένα συγκεκριμένο μοντέλο σταθερού‑βάθους κβαντικών κυκλωμάτων μπορεί να λύσει συγκεκριμένα προβλήματα αναζήτησης που κανένα συγκρίσιμο κλασικό κύκλωμα σταθερού‑βάθους δεν μπορεί να λύσει. Τα χρόνια που ακολούθησαν, οι ερευνητές ενίσχυσαν σταθερά αυτόν τον διαχωρισμό ενάντια σε όλο και πιο εκφραστικά μοντέλα κλασικής υπολογιστικής, ενώ η κβαντική πλευρά παρέμεινε ρηχή, σύμφωνα με την ανάρτηση.

Δεδομένης της πανταχού παρουσίας των LLM σε υπολογιστικά καθήκοντα, οι συγγραφείς έζησαν διαχωρισμούς για δύο βασικούς τύπους προβλημάτων. Τα λειτουργικά προβλήματα αφορούν τον υπολογισμό της τιμής μιας συνάρτησης, επιστρέφοντας το σωστό αποτέλεσμα για μια δεδομένη είσοδο, όπως η ανάκτηση μιας συγκεκριμένης πληροφορίας ως απάντηση σε ένα ερώτημα. Τα προβλήματα δειγματοληψίας αφορούν τη δημιουργία ενός αποτελέσματος σύμφωνα με μια επιθυμητή κατανομή πιθανοτήτων, όπως η παραγωγή νέου κειμένου ή εικόνων ως απάντηση σε ένα ερώτημα.

Ένα Λειτουργικό και Ένα Δειγματοληπτικό Διαχωριστικό

Λειτουργικός Διαχωρισμός: Η Επανάληπτη Συνάρτηση Δείκτη

Για τη λειτουργική περίπτωση, το άρθρο εστιάζει στους μετασχηματιστές μόνο‑αποκωδικοποιητές, την αρχιτεκτονική πίσω από πολλά εξέχοντα LLM, όπως τα GPT, Claude και Llama. Ένας μετασχηματιστής διαχωρίζει το ακατέργαστο κείμενο σε διακριτά στοιχεία (tokens), ενσωματώνει τα στοιχεία ως μια ακολουθία διανυσμάτων και επαναλαμβανόμενα επαναβάζει αυτά τα διανύσματα σε πολλαπλά στρώματα, χρησιμοποιώντας εκπαιδευμένες παραμέτρους και έναν κλιμακωτό μηχανισμό dot‑product που ονομάζεται attention. Τα μοντέλα μόνο‑αποκωδικοποιητές παράγουν νέα στοιχεία διαδοχικά ως απάντηση σε ένα ερώτημα.

Προηγούμενη έρευνα πολυπλοκότητας για τους μετασχηματιστές είχε εντοπίσει τη λειτουργία επαναληπτικού δείκτη ως ένα πρόβλημα που απαιτεί σημαντικούς υπολογιστικούς πόρους. Η ανάρτηση το απεικονίζει με μια καταχώρηση ευρετηρίου στο πίσω μέρος ενός βιβλίου που παραπέμπει σε μια καταχώρηση ευρετηρίου σε δεύτερο βιβλίο, η οποία με τη σειρά της παραπέμπει σε μια καταχώρηση σε τρίτο βιβλίο, κ.ο.κ. Το πρόβλημα ζητά να προσδιοριστεί πού τελειώνει αυτή η αλυσίδα αναφορών μετά από πολλαπλά διαδοχικά βιβλία.

Η προσαρμογή του προηγούμενου αποτελέσματος παρείχε ένα κάτω όριο που δείχνει ότι η επίλυση του προβλήματος επαναληπτικού δείκτη απαιτεί επαρκώς μεγάλους υπολογιστικούς πόρους από τους μετασχηματιστές. Οι συγγραφείς στη συνέχεια έδειξαν ότι το πρόβλημα είναι επιλύσιμο από ένα κβαντικό κύκλωμα σχεδόν σταθερού βάθους, ενισχυμένο με μία κλασική πύλη AND, και ότι αυτό το βάθος δεν μπορεί να γίνει πραγματικά σταθερό. Η περίληψη δηλώνει ότι η συνάρτηση είναι υπολογίσιμη σε κυκλώματα QNC^0 βάθους O(log log n) με μία κλασική πύλη AND που εφαρμόζεται μετά, ενώ οποιοδήποτε μετασχηματιστής μόνο‑αποκωδικοποιητής σταθερού βάθους που την υπολογίζει πρέπει να έχει πλάτος n^Ω(1).

Δειγματοληπτικός Διαχωρισμός: Parity και Diffusion Language Models

Το δεύτερο αποτέλεσμα αφορά προβλήματα κατανομής, των οποίων τα πιο γνωστά παραδείγματα εμφανίζονται στη δημιουργία εικόνων που διαχειρίζονται τα μοντέλα diffusion όπως τα DALL·E και Stable Diffusion. Το άρθρο μελετά τα diffusion language models, τα οποία εκπαιδεύονται προσθέτοντας τυχαίο θόρυβο σε κείμενο και μαθαίνοντας να αναιρούν τη διαφθορά βήμα προς βήμα· κατά τη φάση δοκιμής, ξεκινούν από θόρυβο και τον αφαιρούν επαναληπτικά μέχρι το αποτέλεσμα να πάρει την επιθυμητή μορφή.

Το κλασικό πρόβλημα εδώ, parity‑sampling, είναι παρόμοιο με εκείνο που χρησιμοποίησαν οι Bravyi και οι συνεργάτες του για τη σύγκριση κβαντικών και κλασικών ρηχών κυκλωμάτων το 2018. Δεδομένης μιας ακολουθίας από 0 και 1, το parity ερωτά αν η ακολουθία περιέχει άρτιο ή περιττό αριθμό μονάδων. Ένα κύκλωμα κβαντικό σταθερού βάθους μπορεί να χρησιμοποιήσει εμπλοκή και παρεμβολή για να προβλέψει το parity μιας άγνωστης ακολουθίας και έτσι να δειγματοληπτήσει αποδοτικά ακολουθίες με συγκεκριμένο parity.

Προηγούμενες εργασίες είχαν δείξει όρια στο πόσο καλά τα μοντέλα διάχυσης γλώσσας μπορούν να λύσουν μια εκδοχή αυτού του προβλήματος δειγματοληψίας, αλλά εκείνα τα αποτελέσματα δεν κάλυπταν μοντέλα εξοπλισμένα με αλυσίδα σκέψης, στην οποία ένα μοντέλο παράγει και επεξεργάζεται ενδιάμεσες μονάδες, ικανότητα που προηγούμενη έρευνα έχει γενικά διαπιστώσει ότι κάνει τα μοντέλα σημαντικά πιο ικανά. Οι συγγραφείς απέδειξαν ότι ακόμη και όταν ένα μοντέλο διάχυσης γλώσσας έχει πρόσβαση σε κάποιο ποσό αλυσίδας σκέψης, δεν μπορεί ακόμη να ταιριάξει αποδοτικά τη κατανομή που παράγει το ρηχό κβαντικό κύκλωμα. Η περίληψη επίσης αναφέρει ότι υπάρχει μια κατανομή που μπορεί να δειγματοληπτείται από κυκλώματα QNC^0 σταθερού βάθους, την οποία κανένα μοντέλο διάχυσης γλώσσας σταθερού αριθμού γύρων, χρησιμοποιώντας ρηχή προγραμματισμό και αποθορυβοποίηση, δεν μπορεί να δειγματοληπτήσει εντός σταθερής απόστασης, ακόμη και με υπογραμμική αλυσίδα σκέψης και επιτρεπόμενη αναθεώρηση και επαναμάσκαρο των εξόδων μονάδων.

Περιορισμοί και Μελλοντικές Κατευθύνσεις

Οι συγγραφείς περιγράφουν το έργο ως αυστηρά θεωρητικό, αποτελούμενο από μαθηματικές αποδείξεις. Αναγνωρίζουν ότι οι τρέχοντες κβαντικοί υπολογιστές είναι περιορισμένοι στις δυνατότητές τους και υπόκεινται σε θόρυβο και σφάλματα, ενώ κλασικά LLMs έχουν πρόσβαση σε υπολογιστικό υλικό αιχμής σε μεγάλη κλίμακα. Η εργασία δεν προσδιορίζει κάποια ακριβή κλίμακα στην οποία τα κβαντικά συστήματα θα υπερέχουν των LLMs στα συγκεκριμένα προβλήματα που μελετήθηκαν· οι συγγραφείς δηλώνουν μόνο ότι ασυμπτωτικά, τα κβαντικά κυκλώματα θα υπερέχουν των LLMs όταν συγκριθούν άμεσα.

Οι συγγραφείς δήλωσαν ότι ελπίζουν οι γνώσεις να ανοίξουν το δρόμο για συγκεκριμένα benchmarks που θα συγκρίνουν τα κβαντικά συστήματα και τα LLMs σε αυτά τα δύσκολα προβλήματα. Μεταξύ των ανοιχτών ερωτήσεων που ανέφεραν είναι ποια προβλήματα διαχωρίζουν τα ρηχά κβαντικά κυκλώματα από μοντέλα πιο ισχυρά από τα LLMs, και πώς συγκρίνονται τα λιγότερο περιορισμένα κβαντικά κυκλώματα. Ο δηλωμένος μακροπρόθεσμος στόχος τους είναι να χαράξουν το πλήρες τοπίο των ανεξάρτητων διαχωρισμών μεταξύ πλήρως γενικού κβαντικού και κλασικού υπολογισμού, ένας στόχος που περιγράφουν ως ακόμη μακρινό.

Στο μεταξύ, έγραψαν ότι η εργασία θα πρέπει να ενθαρρύνει την ανάπτυξη αλγορίθμων και εφαρμογών για την κβαντική υπολογιστική, δεδομένου ότι ορισμένα προβλήματα βρίσκονται πέρα από την εμβέλεια των αρχιτεκτονικών LLM που μελετήθηκαν, ενώ παραμένουν αντιμετωπίσιμα ακόμη και για περιορισμένα μοντέλα ανθεκτικού σε σφάλματα κβαντικού υπολογισμού. Οι συγγραφείς επίσης θέτουν τη δυνατότητα ότι η κβαντική υπολογιστική θα μπορούσε τελικά να ενισχύσει τα κλασικά συστήματα AI, επιτρέποντάς τους να χειρίζονται εργασίες που διαφορετικά θα απαιτούσαν σημαντικά μεγαλύτερους υπολογιστικούς πόρους, και δηλώνουν ότι είναι αισιόδοξοι για ένα μέλλον πλήρως υλοποιημένης υβριδικής κβαντικής-κλασικής υπολογιστικής.