IBM रिसर्च ने सिद्ध किया कि क्वांटम सर्किट दो समस्याओं में बड़े भाषा मॉडल (LLMs) से बेहतर हैं

IBM रिसर्च ने 15 सितंबर, 2026 को एक विवरण प्रकाशित किया जिसमें शैलो क्वांटम सर्किट और बड़े भाषा मॉडलों के बीच निरपेक्ष सैद्धांतिक विभाजन सिद्ध किया गया है: एक कार्यात्मक समस्या और एक सैंपलिंग समस्या, जिनमें शैलो क्वांटम सर्किट को LLMs पर सिद्ध लाभ प्राप्त है।

पोस्ट की बायलाइन में श्रीनिवासन अरुणाचलम, अर्कोपाल डट, हरी क्रोवी, रिक सेंगुप्ता और रयान मेंडेलबॉम के नाम सूचीबद्ध हैं। यह पेपर “Separating quantum circuits from classical LLMs,” जिसका लेखन अरुणाचलम, डट, क्रोवी और सेंगुप्ता ने किया है, को arXiv पर पोस्ट किया गया 4 अगस्त, 2026 को, और यह 60 पृष्ठों में छह चित्रों के साथ है। सारांश इस कार्य को बड़े भाषा मॉडल के युग में क्वांटम लाभ के अध्ययन की शुरुआत के रूप में प्रस्तुत करता है। लेखक परिणामों को सैद्धांतिक बताते हैं, न कि तुरंत व्यावहारिक, और आधुनिक LLMs के पीछे मौजूद परिपक्व, बड़े पैमाने के हार्डवेयर तथा वर्तमान में उपलब्ध त्रुटिप्रवण क्वांटम कंप्यूटरों के बीच अंतर की ओर इशारा करते हैं।

2018 से LLMs तक का अनुसंधान पथ

यह कार्य शैलो क्वांटम सर्किट पर अनुसंधान की एक श्रृंखला का अनुसरण करता है, जिसमें सर्किट की गहराई क्विबिटों की संख्या बढ़ने पर भी स्थिर रहती है। 2018 में Science में प्रकाशित एक परिणाम, जिसमें IBM के शोधकर्ता Sergey Bravyi, David Gosset, और Robert König ने योगदान दिया, ने दिखाया कि स्थिर‑गहराई वाले क्वांटम सर्किट का एक विशिष्ट मॉडल कुछ खोज समस्याओं को हल कर सकता है, जिन्हें तुलनीय स्थिर‑गहराई वाले क्लासिकल सर्किट नहीं हल कर सकते। तब से, शोधकर्ताओं ने क्लासिकल गणना के अधिक अभिव्यक्तिपूर्ण मॉडलों के खिलाफ इस विभाजन को निरंतर मजबूत किया है, जबकि पोस्ट के अनुसार क्वांटम पक्ष शैलो ही बना रहा है।

LLMs की व्यापकता को देखते हुए, लेखकों ने दो मूलभूत प्रकार की समस्याओं के लिए विभाजन खोजे। कार्यात्मक समस्याएँ एक फ़ंक्शन का मान गणना करने, दिए गए इनपुट के लिए सही आउटपुट लौटाने से संबंधित हैं, जैसे प्रॉम्प्ट के जवाब में विशिष्ट जानकारी प्राप्त करना। सैंपलिंग समस्याएँ वांछित संभाव्यता वितरण के अनुसार आउटपुट उत्पन्न करने से जुड़ी हैं, जैसे प्रॉम्प्ट के जवाब में नया टेक्स्ट या चित्र बनाना।

एक कार्यात्मक और एक सैंपलिंग विभाजन

कार्यात्मक विभाजन: इटरेटेड इंडेक्स फ़ंक्शन

कार्यात्मक मामले के लिए, यह पेपर डिकोडर‑केवल ट्रांसफ़ॉर्मर पर केंद्रित है, जो कई प्रमुख LLMs जैसे GPT, Claude, और Llama की संरचना है। एक ट्रांसफ़ॉर्मर कच्चे इनपुट को टोकनाइज़ करता है, टोकनों को वेक्टरों की श्रृंखला के रूप में एम्बेड करता है, और कई परतों में उन वेक्टरों को बार‑बार पुनः‑वज़नित करता है, सीखे हुए पैरामीटरों और ‘अटेंशन’ कहलाने वाले स्केल्ड डॉट‑प्रोडक्ट तंत्र का उपयोग करके। डिकोडर‑केवल मॉडल प्रॉम्प्ट के जवाब में क्रमिक रूप से नए टोकन उत्पन्न करते हैं।

ट्रांसफ़ॉर्मर पर पहले के जटिलता अनुसंधान ने इटरेटेड इंडेक्स फ़ंक्शन को एक ऐसी समस्या के रूप में पहचाना था, जिसके लिए पर्याप्त कम्प्यूटेशनल संसाधनों की आवश्यकता होती है। पोस्ट इसे इस प्रकार दर्शाता है: एक पुस्तक के पीछे का इंडेक्स प्रविष्टि दूसरी पुस्तक के इंडेक्स प्रविष्टि की ओर संकेत करती है, जो तीसरी पुस्तक की प्रविष्टि की ओर इशारा करती है, और इसी तरह आगे; समस्या यह पूछती है कि कई क्रमिक पुस्तकों के बाद उस संदर्भ श्रृंखला का अंत कहाँ होता है।

पहले के परिणाम को अनुकूलित करके एक निचली सीमा प्राप्त हुई, जो दर्शाती है कि इटरेटेड इंडेक्स समस्या को हल करने के लिए ट्रांसफ़ॉर्मर को पर्याप्त बड़े कम्प्यूटेशनल संसाधनों की आवश्यकता होती है। लेखकों ने फिर दिखाया कि यह समस्या एक लगभग‑स्थिर‑गहराई वाले क्वांटम सर्किट द्वारा, जिसमें एकल क्लासिकल AND गेट जोड़ा गया है, हल की जा सकती है, और इस गहराई को पूरी तरह स्थिर नहीं बनाया जा सकता। सारांश में कहा गया है कि यह फ़ंक्शन O(log log n)-गहराई वाले QNC^0 सर्किट में एकल क्लासिकल AND गेट के बाद लागू करके गणना योग्य है, जबकि इसे गणना करने वाला कोई भी स्थिर‑गहराई वाला डिकोडर‑केवल ट्रांसफ़ॉर्मर को चौड़ाई n^Ω(1) रखनी पड़ेगी।

सैंपलिंग विभाजन: पैरिटी और डिफ्यूज़न भाषा मॉडल

दूसरा परिणाम वितरणात्मक समस्याओं से संबंधित है, जिनके सबसे प्रसिद्ध उदाहरण इमेज जेनरेशन में दिखते हैं, जो DALL·E और Stable Diffusion जैसे डिफ्यूज़न मॉडल द्वारा संभाले जाते हैं। यह पेपर डिफ्यूज़न भाषा मॉडल का अध्ययन करता है, जिन्हें टेक्स्ट में यादृच्छिक शोर जोड़कर और क्रमिक रूप से उस क्षति को ठीक करना सीखकर प्रशिक्षित किया जाता है; परीक्षण समय में, वे शोर से शुरू होते हैं और उसे क्रमशः हटाते हैं जब तक कि आउटपुट वांछित रूप न ले ले।

यहाँ की क्लासिकल समस्या, पैरिटी‑सैंपलिंग, 2018 में Bravyi और उनके सह‑लेखकों द्वारा क्वांटम और क्लासिकल शैलो सर्किट की तुलना के लिए उपयोग की गई समस्या के समान है। शून्य और एक के स्ट्रिंग को दिया गया है, पैरिटी पूछती है कि स्ट्रिंग में एकों की संख्या सम है या विषम। एक स्थिर‑गहराई वाला क्वांटम सर्किट एंटैंगलमेंट और इंटरफ़ेरेंस का उपयोग करके अज्ञात स्ट्रिंग की पैरिटी का अनुमान लगा सकता है और इस प्रकार निर्दिष्ट पैरिटी वाले स्ट्रिंग को कुशलतापूर्वक सैंपल कर सकता है।

पहले के शोध ने यह दिखाया था कि डिफ्यूज़न भाषा मॉडल इस सैंपलिंग समस्या के एक संस्करण को हल करने में कितनी सीमाएँ रखते हैं, लेकिन उन परिणामों में उन मॉडलों को शामिल नहीं किया गया था जिनमें चेन-ऑफ़-थॉट क्षमता होती है, जहाँ मॉडल मध्यवर्ती टोकन उत्पन्न करता है और उनका उपयोग करता है, एक क्षमता जिसे पूर्व के अनुसंधान ने आमतौर पर मॉडल को काफी अधिक सक्षम बना दिया है। लेखकों ने सिद्ध किया कि भले ही एक डिफ्यूज़न भाषा मॉडल को कुछ हद तक चेन-ऑफ़-थॉट की पहुँच दी जाए, वह फिर भी उस वितरण को कुशलता से नहीं मिल सकता जो उथले क्वांटम सर्किट उत्पन्न करता है। सार में यह भी कहा गया है कि एक ऐसा वितरण है जिसे स्थिर‑गहराई वाले QNC^0 सर्किट द्वारा सैंपल किया जा सकता है, लेकिन कोई भी स्थिर‑राउंड डिफ्यूज़न भाषा मॉडल, चाहे वह उथली शेड्यूलिंग और डिनोइज़िंग का उपयोग करे, स्थिर दूरी के भीतर इसे सैंपल नहीं कर सकता, यहाँ तक कि उपरेखीय चेन-ऑफ़-थॉट और आउटपुट‑टोकन संशोधन व री‑मास्किंग की अनुमति होने पर भी।

सीमाएँ और भविष्य की दिशाएँ

लेखकों ने इस कार्य को दृढ़ता से सैद्धांतिक बताया है, जिसमें गणितीय प्रमाण शामिल हैं। वे स्वीकार करते हैं कि वर्तमान क्वांटम कंप्यूटर अपनी क्षमताओं में सीमित हैं और शोर व त्रुटियों के अधीन हैं, जबकि क्लासिकल LLMs को बड़े पैमाने पर अत्याधुनिक कंप्यूटिंग हार्डवेयर तक पहुँच है। इस कार्य में यह निर्धारित नहीं किया गया है कि किस सटीक पैमाने पर क्वांटम सिस्टम उन विशिष्ट समस्याओं में LLMs से बेहतर प्रदर्शन करेंगे; लेखक केवल यह कहते हैं कि असिम्प्टोटिक रूप से, जब दोनों की सीधे तुलना की जाए तो क्वांटम सर्किट LLMs से बेहतर प्रदर्शन करेंगे।

लेखकों ने कहा कि वे आशा करते हैं कि इन अंतर्दृष्टियों से ठोस बेंचमार्क स्थापित हों जो क्वांटम सिस्टम और LLMs की इन कठिन समस्याओं पर तुलना करें। उन्होंने जिन खुले प्रश्नों को उजागर किया है, उनमें शामिल हैं कि कौन‑से समस्याएँ उथले क्वांटम सर्किट को LLMs से अधिक शक्तिशाली मॉडलों से अलग करती हैं, और कम प्रतिबंधित क्वांटम सर्किट कैसे तुलना करते हैं। उनका दीर्घकालिक लक्ष्य पूर्णतः सामान्य क्वांटम और क्लासिकल गणना के बीच बिना शर्त विभाजन के सम्पूर्ण परिदृश्य को मानचित्रित करना है, जिसे वे अभी भी बहुत दूर माना गया लक्ष्य बताते हैं।

इस बीच, उन्होंने लिखा कि यह कार्य क्वांटम कंप्यूटिंग के लिए एल्गोरिदम और अनुप्रयोगों के विकास को प्रेरित करना चाहिए, क्योंकि कुछ समस्याएँ अध्ययन किए गए LLM आर्किटेक्चर की पहुँच से बाहर हैं, जबकि सीमित फॉल्ट‑टॉलरेंट क्वांटम कंप्यूटिंग मॉडलों के लिए अभी भी सुलभ हैं। लेखक यह भी संभावना उठाते हैं कि क्वांटम कंप्यूटेशन अंततः क्लासिकल एआई सिस्टम को बढ़ा सकता है, जिससे वे उन कार्यों को संभाल सकें जिनके लिए अन्यथा काफी अधिक कंप्यूटेशनल संसाधनों की आवश्यकता होती, और वे पूरी तरह से साकार हुए हाइब्रिड क्वांटम‑क्लासिकल कंप्यूटेशन के भविष्य के बारे में आशावादी हैं।