IBM Research prouve que les circuits quantiques surpassent les LLM sur deux problèmes

IBM Research le 15 septembre 2026, a publié un compte rendu d’un travail démontrant des séparations théoriques inconditionnelles entre les circuits quantiques peu profonds et les grands modèles de langage : un problème fonctionnel et un problème d’échantillonnage pour lesquels les circuits quantiques peu profonds détiennent un avantage prouvable sur les LLM.

La signature de l’article indique Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta et Ryan Mandelbaum. Elle décrit le papier “Separating quantum circuits from classical LLMs”, d’Arunachalam, Dutt, Krovi et Sengupta, qui a déposé sur arXiv le 4 août 2026, et compte 60 pages avec six figures. Le résumé présente le travail comme le lancement de l’étude de l’avantage quantique à l’ère des grands modèles de langage. Les auteurs qualifient les résultats de théoriques plutôt que immédiatement pratiques, soulignant l’écart entre le matériel mature et à grande échelle qui sous-tend les LLM modernes et les ordinateurs quantiques sujets aux erreurs actuellement disponibles.

Une ligne de recherche de 2018 aux LLM

Le travail s’inscrit dans une ligne de recherche sur les circuits quantiques peu profonds, dans laquelle la profondeur d’un circuit reste constante lorsque le nombre de qubits augmente. Un résultat de 2018 publié dans Science par les chercheurs d’IBM Sergey Bravyi, David Gosset et Robert König a montré qu’un certain modèle de circuits quantiques à profondeur constante peut résoudre des problèmes de recherche spécifiques qu’aucun circuit classique à profondeur comparable ne peut résoudre. Depuis, les chercheurs ont renforcé progressivement cette séparation face à des modèles de calcul classique de plus en plus expressifs, tandis que le côté quantique est resté peu profond, selon l’article.

Compte tenu de l’omniprésence des LLM dans les tâches computationnelles, les auteurs ont recherché des séparations pour deux types fondamentaux de problèmes. Les problèmes fonctionnels consistent à calculer la valeur d’une fonction, en renvoyant la sortie correcte pour une entrée donnée, comme récupérer une information précise en réponse à une requête. Les problèmes d’échantillonnage consistent à générer une sortie selon une distribution de probabilité souhaitée, comme produire du texte ou des images nouveaux en réponse à une requête.

Une séparation fonctionnelle et une séparation d’échantillonnage

Séparation fonctionnelle : la fonction d’index itérée

Dans le cas fonctionnel, le papier se concentre sur les transformeurs à décodage uniquement, l’architecture derrière de nombreux LLM de premier plan, dont GPT, Claude et Llama. Un transformeur tokenise l’entrée brute, intègre les jetons sous forme d’une séquence de vecteurs, et re-pondère ces vecteurs de façon répétée à travers plusieurs couches, en utilisant des paramètres appris et un mécanisme de produit scalaire pondéré appelé attention. Les modèles à décodage uniquement génèrent de nouveaux jetons séquentiellement en réponse à une requête.

Des recherches antérieures en complexité sur les transformeurs avaient identifié la fonction d’index itérée comme un problème nécessitant d’importantes ressources computationnelles. L’article l’illustre avec une entrée d’index au dos d’un livre qui renvoie à une entrée d’index dans un deuxième livre, qui renvoie à une entrée dans un troisième, et ainsi de suite ; le problème consiste à déterminer où cette chaîne de références se termine après de nombreux livres successifs.

L’adaptation du résultat antérieur a fourni une borne inférieure montrant que résoudre le problème d’index itéré exige des ressources computationnelles suffisamment importantes de la part des transformeurs. Les auteurs ont ensuite démontré que le problème est résolvable par un circuit quantique d’une profondeur quasi constante, augmentée d’une unique porte AND classique, et que cette profondeur ne peut pas être rendue véritablement constante. Le résumé indique que la fonction est calculable dans des circuits QNC^0 de profondeur O(log log n) avec une porte AND classique appliquée ensuite, alors que tout transformeur à décodage uniquement de profondeur constante la calculant doit avoir une largeur n^Ω(1).

Séparation d’échantillonnage : parité et modèles de langage par diffusion

Le deuxième résultat porte sur des problèmes de distribution, dont les exemples les plus connus apparaissent dans la génération d’images gérée par des modèles de diffusion tels que DALL·E et Stable Diffusion. Le papier étudie les modèles de langage par diffusion, qui sont entraînés en ajoutant du bruit aléatoire au texte et en apprenant à annuler la corruption étape par étape ; lors du test, ils partent du bruit et l’éliminent de façon itérative jusqu’à ce que la sortie prenne la forme souhaitée.

Le problème classique ici, l’échantillonnage de parité, est similaire à celui que Bravyi et ses co-auteurs ont utilisé pour comparer les circuits quantiques et classiques peu profonds en 2018. Étant donné une chaîne de 0 et de 1, la parité interroge si la chaîne contient un nombre pair ou impair de 1. Un circuit quantique à profondeur constante peut exploiter l’intrication et l’interférence pour prédire la parité d’une chaîne inconnue et ainsi échantillonner efficacement des chaînes d’une parité spécifiée.

Des travaux antérieurs avaient montré les limites des modèles de langage à diffusion pour résoudre une version de ce problème d’échantillonnage, mais ces résultats ne couvraient pas les modèles dotés de chaîne de pensée, dans lesquels le modèle génère et traite des jetons intermédiaires, une capacité que des recherches antérieures ont généralement constatée comme rendant les modèles nettement plus performants. Les auteurs ont démontré que même lorsqu’un modèle de langage à diffusion dispose d’une certaine capacité de chaîne de pensée, il ne peut toujours pas reproduire efficacement la distribution produite par le circuit quantique superficiel. Le résumé indique également qu’il existe une distribution échantillonnable par des circuits QNC^0 à profondeur constante qui ne peut être échantillonnée par aucun modèle de langage à diffusion à nombre de tours constant utilisant une planification superficielle et un débruitage, même avec une chaîne de pensée sous‑linéaire et une révision ainsi qu’un remasquage des jetons de sortie autorisés.

Limitations et orientations futures

Les auteurs décrivent le travail comme strictement théorique, reposant sur des preuves mathématiques. Ils reconnaissent que les ordinateurs quantiques actuels sont limités dans leurs capacités et sujets au bruit et aux erreurs, tandis que classical LLMs ont accès à du matériel informatique de pointe à grande échelle. Le travail n’identifie aucune échelle précise à laquelle les systèmes quantiques surpasseront les LLM sur les problèmes spécifiques étudiés ; les auteurs indiquent seulement qu’asymptotiquement, les circuits quantiques surpasseront les LLM lorsqu’ils sont comparés directement.

Les auteurs déclarent espérer que ces idées ouvriront la voie à des références concrètes comparant les systèmes quantiques et les LLM sur ces problèmes difficiles. Parmi les questions ouvertes qu’ils ont nommées figurent les problèmes qui séparent les circuits quantiques superficiels des modèles plus puissants que les LLM, ainsi que la façon dont les circuits quantiques moins restreints se comparent. Leur objectif à long terme déclaré est de cartographier l’ensemble du paysage des séparations inconditionnelles entre le calcul quantique et le calcul classique pleinement général, un objectif qu’ils décrivent comme restant encore très lointain.

En attendant, ils ont écrit que ce travail devrait encourager le développement d’algorithmes et d’applications pour l’informatique quantique, étant donné que certains problèmes échappent aux architectures LLM étudiées tout en restant traitables même pour des modèles limités d’informatique quantique tolérante aux fautes. Les auteurs évoquent également la possibilité que le calcul quantique puisse éventuellement augmenter les systèmes d’IA classiques, leur permettant de gérer des tâches qui nécessiteraient autrement des ressources computationnelles nettement supérieures, et ils se déclarent optimistes quant à un avenir de calcul hybride quantique‑classique pleinement réalisé.