IBM Research osoittaa kvanttipiirien ylittävän LLM:ien kahdessa ongelmassa

IBM Research 15. syyskuuta 2026 julkaisi raportin työstä, jossa todistetaan ehdottomia teoreettisia eroja matalien kvanttipiirien ja suurten kielimallien välillä: yksi funktionaalinen ongelma ja yksi näytteenottoprobleema, joihin matalien kvanttipiirien on osoitettu todistettavissa oleva etu LLM:ia kohtaan.

Julkaisun tekijälista mainitsee Srinivasan Arunachalamin, Arkopal Duttin, Hari Krovin, Rik Senguptan ja Ryan Mandelbaumin. Se kuvaa artikkelia “Separating quantum circuits from classical LLMs”, jonka ovat kirjoittaneet Arunachalam, Dutt, Krovi ja Sengupta, ja joka julkaistiin arXivissa 4. elokuuta 2026, ja on 60 sivua pitkä kuudella kuvalla. Tiivistelmä asettaa työn kvantti-etua koskevan tutkimuksen aloitukseksi suurten kielimallien aikakaudella. Tekijät kuvaavat tuloksia teoreettisiksi eikä välittömästi käytännöllisiksi, viitaten nykyaikaisten LLM:ien taustalla olevaan kypsään, laajamittaiseen laitteistoon ja nykyisten virheherkkien kvanttitietokoneiden väliin.

Tutkimuslinja vuodesta 2018 LLM:iin

Työ jatkaa tutkimuslinjaa matalien kvanttipiirien parissa, jossa piirin syvyys pysyy vakiona kvanttien määrän kasvaessa. Vuoden 2018 Science-lehdessä julkaistu tulos, jonka ovat kirjoittaneet IBM-tutkijat Sergey Bravyi, David Gosset ja Robert König, osoitti, että tietty vakiosyvyyskvanttipiirien malli pystyy ratkaisemaan erityisiä hakuprobleemeja, joita mikään vastaava vakiosyvyysklassinen piiri ei pysty ratkaisemaan. Vuosien saatossa tutkijat ovat tasaisesti vahvistaneet tätä eroa yhä ilmaisullisempia klassisen laskennan malleja vastaan, kun taas kvanttipuoli on pysynyt matalana, postauksen mukaan.

Koska LLM:it ovat läsnä lähes kaikissa laskennallisissa tehtävissä, tekijät etsivät eroja kahdelle perusongelmatyypille. Funktionaaliset ongelmat käsittävät funktion arvon laskemisen, palauttaen oikean tuloksen annetulle syötteelle, esimerkiksi hakemalla tietyn tiedon pyynnön perusteella. Näytteenottoprobleemat puolestaan vaativat tuotoksen luomista halutun todennäköisyysjakauman mukaisesti, kuten uuden tekstin tai kuvan tuottamista pyynnön perusteella.

Yksi funktionaalinen ja yksi näytteenottoerottelu

Funktionaalinen erottelu: Iteroitu indeksifunktio

Funktionaalisessa tapauksessa artikkeli keskittyy pelkästään dekoodereita käyttaviin transformereihin, jotka ovat monien tunnettujen LLM:ien, kuten GPT:n, Claude:n ja Llama:n, arkkitehtuuri. Transformer jäsentää raakasyötteen, upottaa tokenit vektorijonoksi ja painottaa näitä vektoreita uudelleen useiden kerrosten läpi käyttäen opittuja parametreja ja skaalausta pistetulomekanismia, jota kutsutaan huomioinniksi. Pelkästään dekoodereita käyttävät mallit tuottavat uusia tokeneita peräkkäin vastauksena pyyntöön.

Aikaisemmassa kompleksisuustutkimuksessa transformereista on tunnistettu iterointi-indeksifunktio ongelmaksi, joka vaatii merkittäviä laskentaresursseja. Postaus havainnollistaa sen kirjassa olevan hakemiston merkinnän avulla, joka viittaa toisen kirjan hakemiston merkintään, joka puolestaan viittaa kolmannen kirjan merkintään, ja niin edelleen; ongelma kysyy, mihin tämä viittausketju päättyy monien peräkkäisten kirjojen jälkeen.

Aikaisemman tuloksen soveltaminen antoi alarajan, joka osoittaa, että iterointi-indeksiongelman ratkaiseminen vaatii transformereilta riittävän suuria laskentaresursseja. Tekijät osoittivat sitten, että ongelma on ratkaistavissa lähes vakiosyvyyskvanttipiirillä, johon on lisätty yksi klassinen AND-portti, eikä tätä syvyyttä voida tehdä täysin vakiona. Tiivistelmä toteaa, että funktio on laskettavissa O(log log n) -syvyys QNC^0 -piireissä, joihin sen jälkeen sovelletaan yksi klassinen AND-portti, kun taas mikä tahansa vakiosyvyysdekooderipohjainen transformer, joka laskee sen, tarvitsee leveyden n^Ω(1).

Näytteenottoerottelu: Pariteetti ja diffuusio-kielimallit

Toinen tulos koskee jakaumaongelmia, joista tunnetuimmat esimerkit ilmenevät kuvageneroinnissa, jota hallitsevat diffuusio-mallit kuten DALL·E ja Stable Diffusion. Artikkeli tutkii diffuusio-kielimalleja, joita koulutetaan lisäämällä satunnaista kohinaa tekstiin ja opettelemalla korjaamaan häiriö askel kerrallaan; testausvaiheessa ne alkavat kohinasta ja poistavat sen iteratiivisesti, kunnes tulos saavuttaa halutun muodon.

Tässä klassinen ongelma, pariteettinäytteenotto, on samankaltainen kuin se, jonka Bravyi ja hänen yhteistyökumppaninsa käyttivät vertaillessaan kvantti- ja klassisia matalia piirejä vuonna 2018. Kun annetaan 0- ja 1-merkkijono, pariteetti kysyy, sisältääkö merkkijono parillisen vai parittoman määrän ykkösiä. Vakiosyvyyskvanttipiiri voi hyödyntää lomittumista ja interferenssiä ennustaakseen tuntemattoman merkkijonon pariteetin ja siten tehokkaasti näytteistää halutun pariteetin merkkijonoja.

Aikaisempi tutkimus on osoittanut rajoituksia sen suhteen, kuinka hyvin diffuusio-kielimallit pystyvät ratkaisemaan tämän näytteenottoprobleeman version, mutta nuo tulokset eivät käsitelleet ketjupohjaisia ajatusprosesseja, joissa malli tuottaa ja käsittelee välivälejä, kykyä, jonka aiempi tutkimus on yleisesti havainnut merkittävästi parantavan mallien suorituskykyä. Tekijät todistivat, että vaikka diffuusio-kielimallille annettaankin jonkin verran ketjupohjaista ajattelua, se ei silti pysty tehokkaasti vastaamaan siihen jakaumaan, jonka matalan syvyyden kvanttipiiri tuottaa. Tiivistelmässä todetaan myös, että on olemassa jakauma, jonka vakio‑syvyys QNC^0 -piirit voivat näytellä, mutta mikään vakio‑kierros diffuusio-kielimalli, joka käyttää matalaa aikataulutusta ja kohinanpoistoa, ei pysty näyttelemään sitä vakio‑etäisyydellä, vaikka alilineaarinen ketjupohjainen ajattelu sekä tuotetokenien tarkistus ja uudelleenmaskaus olisivat sallittuja.

Rajoitukset ja tulevat suuntaviivat

Tekijät kuvaavat työtä vahvasti teoreettiseksi, koostuen matemaattisista todistuksista. He tunnustavat, että nykyiset kvanttitietokoneet ovat rajoitettuja ja alttiita melulle ja virheille, kun taas klassiset LLM:tillä on pääsy huipputason laskentalaitteistoon mittakaavassa. Työ ei määrittele tarkkaa mittakaavaa, jossa kvanttijärjestelmät ylittävät LLM:t tarkastelluilla ongelmilla; tekijät toteavat ainoastaan, että asymptoottisesti kvanttipiirit ylittävät LLM:t, kun ne vertaillaan suoraan.

Tekijät toivoivat, että saadut oivallukset raivaavat tietä konkreettisille vertailuarvioille, jotka mittaavat kvanttijärjestelmien ja LLM:ien suorituskykyä näissä vaikeissa ongelmissa. He nimeävät avoimiksi kysymyksiksi, mitkä ongelmat erottavat matalan syvyyden kvanttipiirit malleista, jotka ovat LLM:eitä voimakkaampia, sekä miten vähemmän rajoitetut kvanttipiirit vertautuvat. Heidän pitkän aikavälin tavoitteensa on kartoittaa täydellinen maisema ehdottomista erotteluista täysimittaisten kvantti- ja klassisten laskentojen välillä, tavoite, jonka he kuvaavat edelleen kaukaiseksi.

Sillä välin he kirjoittivat, että työn tulisi innostaa algoritmien ja sovellusten kehittämistä kvanttilaskentaan, koska jotkut ongelmat ovat LLM-arkkitehtuurien ulottumattomissa, mutta pysyvät käsiteltävinä jopa rajoitetuissa virheenkorjaavissa kvanttilaskentamalleissa. Tekijät nostavat myös esiin mahdollisuuden, että kvanttialgoritmit voisivat lopulta täydentää klassisia tekoälyjärjestelmiä, mahdollistaen niiden käsitellä tehtäviä, jotka muuten vaatisivat huomattavasti suurempia laskentaresursseja, ja he ovat optimistisia täysin toteutuneen hybridikvantti‑klassisen laskennan tulevaisuudesta.