IBM Research Membuktikan Sirkuit Kuantum Mengungguli LLM pada Dua Masalah

IBM Research pada 15 September 2026, menerbitkan sebuah laporan tentang pekerjaan yang membuktikan pemisahan teoretis tak bersyarat antara sirkuit kuantum dangkal dan model bahasa besar: satu masalah fungsional dan satu masalah sampling di mana sirkuit kuantum dangkal memiliki keunggulan yang dapat dibuktikan atas LLM.

Baris byline posting mencantumkan Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta, dan Ryan Mandelbaum. Ini menjelaskan makalah \”Separating quantum circuits from classical LLMs,\” oleh Arunachalam, Dutt, Krovi, dan Sengupta, yang diposting di arXiv pada 4 Agustus 2026, dan memiliki 60 halaman dengan enam gambar. Abstrak menempatkan pekerjaan ini sebagai inisiasi studi keunggulan kuantum di era model bahasa besar. Penulis menggambarkan hasilnya sebagai teoretis bukan langsung praktis, menunjukkan kesenjangan antara perangkat keras berskala besar yang matang di balik LLM modern dan komputer kuantum yang masih rawan kesalahan yang tersedia saat ini.

Garis Penelitian Dari 2018 ke LLMs

Pekerjaan ini melanjutkan rangkaian penelitian tentang sirkuit kuantum dangkal, di mana kedalaman sirkuit tetap konstan seiring bertambahnya jumlah qubit. Sebuah hasil tahun 2018 yang diterbitkan dalam Science oleh peneliti IBM Sergey Bravyi, David Gosset, dan Robert König menunjukkan bahwa model tertentu dari sirkuit kuantum kedalaman konstan dapat menyelesaikan masalah pencarian spesifik yang tidak dapat diselesaikan oleh sirkuit klasik kedalaman konstan yang sebanding. Sejak itu, para peneliti secara bertahap memperkuat pemisahan tersebut melawan model komputasi klasik yang semakin ekspresif, sementara sisi kuantum tetap dangkal, menurut posting.

Mengingat ubiquitas LLM dalam tugas komputasi, para penulis mencari pemisahan untuk dua tipe dasar masalah. Masalah fungsional melibatkan perhitungan nilai suatu fungsi, mengembalikan output yang benar untuk input tertentu, seperti mengambil informasi spesifik sebagai respons terhadap sebuah prompt. Masalah sampling melibatkan pembuatan output sesuai distribusi probabilitas yang diinginkan, seperti menghasilkan teks atau gambar baru sebagai respons terhadap sebuah prompt.

Satu Pemisahan Fungsional dan Satu Pemisahan Sampling

Pemisahan Fungsional: Fungsi Indeks Iteratif

Untuk kasus fungsional, makalah ini berfokus pada transformer decoder-only, arsitektur di balik banyak LLM terkemuka, termasuk GPT, Claude, dan Llama. Sebuah transformer men-tokenisasi masukan mentah, menyematkan token sebagai urutan vektor, dan berulang kali menyesuaikan kembali bobot vektor tersebut melalui banyak lapisan, menggunakan parameter yang dipelajari dan mekanisme dot-product terskala yang disebut attention. Model decoder-only menghasilkan token baru secara berurutan sebagai respons terhadap sebuah prompt.

Penelitian kompleksitas sebelumnya pada transformer telah mengidentifikasi fungsi indeks iteratif sebagai masalah yang membutuhkan sumber daya komputasi yang signifikan. Posting tersebut menggambarkannya dengan sebuah entri indeks di bagian belakang satu buku yang menunjuk ke entri indeks di buku kedua, yang menunjuk ke entri di buku ketiga, dan seterusnya; masalah ini menanyakan di mana rantai referensi tersebut berakhir setelah banyak buku berurutan.

Mengadaptasi hasil sebelumnya memberikan batas bawah yang menunjukkan bahwa menyelesaikan masalah indeks iteratif membutuhkan sumber daya komputasi yang cukup besar dari transformer. Para penulis kemudian menunjukkan bahwa masalah tersebut dapat diselesaikan oleh sirkuit kuantum dengan kedalaman hampir konstan yang ditambah dengan satu gerbang AND klasik, dan bahwa kedalaman ini tidak dapat dibuat benar-benar konstan. Abstrak menyatakan bahwa fungsi tersebut dapat dihitung dalam sirkuit QNC^0 dengan kedalaman O(log log n) yang diikuti oleh satu gerbang AND klasik, sedangkan setiap transformer decoder-only dengan kedalaman konstan yang menghitungnya harus memiliki lebar n^Ω(1).

Pemisahan Sampling: Paritas dan Model Bahasa Diffusion

Hasil kedua berkaitan dengan masalah distribusi, yang contoh paling terkenal muncul dalam generasi gambar yang ditangani oleh model diffusion seperti DALL·E dan Stable Diffusion. Makalah ini mempelajari model bahasa diffusion, yang dilatih dengan menambahkan noise acak pada teks dan belajar mengembalikan kerusakan satu langkah pada satu waktu; pada saat pengujian, mereka memulai dari noise dan secara iteratif menghilangkannya hingga output mengambil bentuk yang diinginkan.

Masalah klasik di sini, parity-sampling, mirip dengan yang digunakan Bravyi dan rekan-rekannya untuk membandingkan sirkuit kuantum dan klasik dangkal pada tahun 2018. Diberikan sebuah string berisi 0 dan 1, parity menanyakan apakah string tersebut mengandung jumlah 1 yang genap atau ganjil. Sirkuit kuantum kedalaman konstan dapat menggunakan keterikatan (entanglement) dan interferensi untuk memprediksi parity dari string yang tidak diketahui dan dengan demikian secara efisien menghasilkan string dengan parity tertentu.

Penelitian sebelumnya telah menunjukkan batasan pada seberapa baik model bahasa difusi dapat menyelesaikan versi masalah sampling ini, namun hasil tersebut tidak mencakup model yang dilengkapi dengan chain-of-thought, di mana sebuah model menghasilkan dan memproses token perantara, sebuah kemampuan yang sebelumnya secara umum ditemukan meningkatkan kapabilitas model secara signifikan. Penulis membuktikan bahwa bahkan ketika sebuah model bahasa difusi diberikan akses ke sejumlah chain-of-thought, model tersebut masih tidak dapat secara efisien mencocokkan distribusi yang dihasilkan oleh sirkuit kuantum dangkal. Abstrak juga menyatakan bahwa ada distribusi yang dapat disampel oleh sirkuit QNC^0 berkedalaman konstan yang tidak dapat disampel oleh model bahasa difusi berputaran konstan yang menggunakan penjadwalan dangkal dan denoising dalam jarak konstan, bahkan dengan chain-of-thought sublinier serta revisi token output dan remasking yang diizinkan.

Keterbatasan dan Arah Selanjutnya

Penulis menggambarkan pekerjaan ini sebagai sepenuhnya teoretis, terdiri dari bukti matematis. Mereka mengakui bahwa komputer kuantum saat ini terbatas dalam kemampuan dan terpengaruh oleh noise serta kesalahan, sementara classical LLMs memiliki akses ke perangkat keras komputasi mutakhir dalam skala besar. Pekerjaan ini tidak mengidentifikasi skala pasti di mana sistem kuantum akan mengungguli LLM pada masalah spesifik yang dipelajari; penulis hanya menyatakan bahwa secara asimptotik, sirkuit kuantum akan mengungguli LLM ketika keduanya dibandingkan secara langsung.

Penulis menyatakan harapannya bahwa wawasan ini membuka jalan bagi benchmark konkret yang membandingkan sistem kuantum dan LLM pada masalah-masalah sulit ini. Di antara pertanyaan terbuka yang mereka sebutkan adalah masalah apa yang memisahkan sirkuit kuantum dangkal dari model yang lebih kuat daripada LLM, serta bagaimana sirkuit kuantum yang kurang dibatasi dibandingkan. Tujuan jangka panjang mereka adalah memetakan seluruh lanskap pemisahan tak bersyarat antara komputasi kuantum dan klasik yang sepenuhnya umum, sebuah tujuan yang mereka gambarkan masih jauh tercapai.

Sementara itu, mereka menulis, pekerjaan ini seharusnya memotivasi pengembangan algoritma dan aplikasi untuk komputasi kuantum, mengingat beberapa masalah berada di luar jangkauan arsitektur LLM yang dipelajari namun tetap dapat ditangani oleh model komputasi kuantum toleran kesalahan yang terbatas. Penulis juga mengangkat kemungkinan bahwa komputasi kuantum pada akhirnya dapat memperkuat sistem AI klasik, memungkinkan mereka menangani tugas yang sebaliknya memerlukan sumber daya komputasi yang jauh lebih besar, dan mereka menyatakan optimisme tentang masa depan komputasi hibrida kuantum-klasik yang sepenuhnya terwujud.