IBM Research dimostra che i circuiti quantistici superano i LLM in due problemi

IBM Research, il 15 settembre 2026, ha pubblicato un resoconto di un lavoro che dimostra separazioni teoriche incondizionate tra circuiti quantistici superficiali e grandi modelli linguistici: un problema funzionale e un problema di campionamento per i quali i circuiti quantistici superficiali hanno un vantaggio dimostrabile rispetto ai LLM.

L’autore del post elenca Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta e Ryan Mandelbaum. Descrive il documento “Separating quantum circuits from classical LLMs”, di Arunachalam, Dutt, Krovi e Sengupta, che è stato pubblicato su arXiv il 4 agosto 2026, e conta 60 pagine con sei figure. L’abstract inquadra il lavoro come l’inizio dello studio del vantaggio quantistico nell’era dei grandi modelli linguistici. Gli autori descrivono i risultati come teorici piuttosto che immediatamente pratici, evidenziando il divario tra l’hardware maturo e su larga scala alla base dei moderni LLM e i computer quantistici soggetti a errori attualmente disponibili.

Una linea di ricerca dal 2018 ai LLM

Il lavoro segue una linea di ricerca sui circuiti quantistici superficiali, in cui la profondità di un circuito rimane costante al crescere del numero di qubit. Un risultato del 2018 pubblicato su Science da parte dei ricercatori IBM Sergey Bravyi, David Gosset e Robert König ha dimostrato che un certo modello di circuiti quantistici a profondità costante può risolvere problemi di ricerca specifici che nessun circuito classico a profondità comparabile può risolvere. Negli anni successivi, i ricercatori hanno costantemente rafforzato tale separazione contro modelli di calcolo classico sempre più espressivi, mentre il lato quantistico è rimasto superficiale, secondo il post.

Data l’ubiquità dei LLM nei compiti computazionali, gli autori hanno cercato separazioni per due tipologie di problemi fondamentali. I problemi funzionali riguardano il calcolo del valore di una funzione, restituendo l’output corretto per un dato input, ad esempio recuperare un’informazione specifica in risposta a un prompt. I problemi di campionamento prevedono la generazione di un output secondo una distribuzione di probabilità desiderata, come produrre nuovo testo o immagini in risposta a un prompt.

Una separazione funzionale e una di campionamento

Separazione funzionale: la funzione indice iterata

Per il caso funzionale, il documento si concentra sui transformer solo decoder, l’architettura alla base di molti LLM di spicco, tra cui GPT, Claude e Llama. Un transformer tokenizza l’input grezzo, incorpora i token come una sequenza di vettori e ricalibra ripetutamente tali vettori attraverso più livelli, utilizzando parametri appresi e un meccanismo di prodotto scalare chiamato attenzione. I modelli solo decoder generano nuovi token sequenzialmente in risposta a un prompt.

Ricerche precedenti sulla complessità dei transformer avevano identificato la funzione indice iterata come un problema che richiede notevoli risorse computazionali. Il post la illustra con una voce di indice a fine di un libro che rimanda a una voce di indice in un secondo libro, che a sua volta rimanda a una voce in un terzo, e così via; il problema chiede dove termina quella catena di riferimenti dopo molti libri successivi.

L’adattamento del risultato precedente ha fornito un limite inferiore che dimostra che risolvere il problema dell’indice iterato richiede risorse computazionali sufficientemente ampie da parte dei transformer. Gli autori hanno poi mostrato che il problema è risolvibile con un circuito quantistico di profondità quasi costante, arricchito da un singolo gate AND classico, e che tale profondità non può essere resa veramente costante. L’abstract afferma che la funzione è calcolabile in circuiti QNC^0 a profondità O(log log n) con un singolo gate AND classico applicato successivamente, mentre qualsiasi transformer solo decoder a profondità costante che la calcoli deve avere una larghezza n^Ω(1).

Separazione di campionamento: parità e modelli linguistici di diffusione

Il secondo risultato riguarda problemi distributivi, i cui esempi più noti emergono nella generazione di immagini gestita da modelli di diffusione come DALL·E e Stable Diffusion. Il documento studia i modelli linguistici di diffusione, che vengono addestrati aggiungendo rumore casuale al testo e imparando a annullare la corruzione passo dopo passo; in fase di test, partono dal rumore e lo rimuovono iterativamente finché l’output assume la forma desiderata.

Il problema classico qui, il campionamento di parità, è simile a quello che Bravyi e i suoi coautori hanno usato per confrontare circuiti quantistici e classici superficiali nel 2018. Data una stringa di 0 e 1, la parità chiede se la stringa contiene un numero pari o dispari di 1. Un circuito quantistico a profondità costante può utilizzare l’entanglement e l’interferenza per prevedere la parità di una stringa sconosciuta e, così, campionare efficientemente stringhe con una parità specificata.

Lavori precedenti avevano mostrato limiti su quanto bene i modelli di linguaggio a diffusione potessero risolvere una versione di questo problema di campionamento, ma quei risultati non coprivano i modelli dotati di catena di pensiero, in cui un modello genera e elabora token intermedi, capacità che ricerche precedenti hanno generalmente riscontrato rendere i modelli significativamente più potenti. Gli autori hanno dimostrato che anche quando a un modello di linguaggio a diffusione viene concessa una certa quantità di catena di pensiero, esso non riesce comunque a replicare in modo efficiente la distribuzione prodotta dal circuito quantistico superficiale. L’abstract afferma inoltre che esiste una distribuzione campionabile da circuiti QNC^0 a profondità costante che nessun modello di linguaggio a diffusione a round costanti, che utilizza pianificazione superficiale e denoising, può campionare entro una distanza costante, anche con catena di pensiero sublineare e revisione e rimasking dei token di output consentiti.

Limitazioni e prossime direzioni

Gli autori descrivono il lavoro come fermamente teorico, costituito da dimostrazioni matematiche. Riconoscono che i computer quantistici attuali sono limitati nelle loro capacità e soggetti a rumore ed errori, mentre LLM classici hanno accesso a hardware informatico all’avanguardia su larga scala. Il lavoro non identifica una scala esatta in cui i sistemi quantistici supereranno gli LLM sui problemi specifici studiati; gli autori affermano solo che, asintoticamente, i circuiti quantistici supereranno gli LLM quando i due vengono confrontati direttamente.

Gli autori hanno dichiarato di sperare che le intuizioni aprano la strada a benchmark concreti che confrontino i sistemi quantistici e gli LLM su questi problemi difficili. Tra le domande aperte che hanno elencato vi sono quali problemi separano i circuiti quantistici superficiali da modelli più potenti degli LLM, e come si confrontano i circuiti quantistici meno restrittivi. Il loro obiettivo a lungo termine è mappare l’intero panorama delle separazioni incondizionate tra calcolo quantistico e classico completamente generale, un obiettivo che descrivono come ancora molto distante.

Nel frattempo, hanno scritto che il lavoro dovrebbe motivare lo sviluppo di algoritmi e applicazioni per il calcolo quantistico, dato che alcuni problemi sono al di là delle capacità delle architetture LLM studiate pur rimanendo gestibili anche per modelli limitati di calcolo quantistico tollerante agli errori. Gli autori sollevano anche la possibilità che il calcolo quantistico possa eventualmente potenziare i sistemi di IA classica, consentendo loro di gestire compiti che altrimenti richiederebbero risorse computazionali notevolmente maggiori, e affermano di essere ottimisti riguardo a un futuro di computazione ibrida quantistica-classica pienamente realizzata.