IBM Research、量子回路が2つの問題で大規模言語モデルを上回ることを証明

IBM Researchは2026年9月15日に、報告を発表した、浅層量子回路と大規模言語モデルの間に無条件の理論的分離があることを示す研究について：1つの機能問題と1つのサンプリング問題で、浅層量子回路がLLMに対して証明可能な優位性を持つ。

この記事の著者欄にはSrinivasan Arunachalam、Arkopal Dutt、Hari Krovi、Rik Sengupta、Ryan Mandelbaumが掲載されている。本文はArunachalam、Dutt、Krovi、Senguptaによる論文「Separating quantum circuits from classical LLMs」を取り上げており、arXivに掲載されたのは2026年8月4日で、全60ページにわたり6つの図が含まれる。要旨は、本研究を大規模言語モデル時代における量子優位性の研究開始と位置付けている。著者らは結果を理論的なものとし、すぐに実用的ではないと述べ、現代のLLMを支える成熟した大規模ハードウェアと、現在利用可能なエラーが多い量子コンピュータとの間のギャップを指摘している。

2018年からLLMへの研究の流れ

本研究は、量子ビット数が増加しても回路の深さが一定のままである浅層量子回路に関する研究の系譜に沿っている。IBMの研究者Sergey Bravyi、David Gosset、Robert Königが2018年にScienceに掲載した成果は、特定の定深度量子回路モデルが、同等の定深度古典回路では解けない特定の探索問題を解くことができることを示した。以降、研究者らは古典計算の表現力が高まるモデルに対しても分離を強化し続けてきたが、量子側は投稿によれば依然として浅層のままである。

計算タスクにおけるLLMの普及を踏まえ、著者らは2つの基本的な問題タイプに対する分離を追求した。機能問題は関数の値を計算し、与えられた入力に対して正しい出力を返すことを指し、例えばプロンプトに応じて特定の情報を取得することが該当する。サンプリング問題は、望ましい確率分布に従って出力を生成することで、例えばプロンプトに応じて新しいテキストや画像を生成することが該当する。

機能分離とサンプリング分離のそれぞれ1例

機能的分離：反復インデックス関数

機能的ケースでは、論文はデコーダーのみのトランスフォーマーに焦点を当てている。これはGPT、Claude、Llamaなど多くの主要なLLMの背後にあるアーキテクチャである。トランスフォーマーは生の入力をトークン化し、トークンをベクトル列として埋め込み、学習されたパラメータと「注意」と呼ばれるスケーリングドット積メカニズムを用いて複数層にわたりベクトルを繰り返し再重み付けする。デコーダーのみのモデルは、プロンプトに応じて新しいトークンを順次生成する。

以前のトランスフォーマーに関する計算複雑性研究では、反復インデックス関数が大量の計算資源を要する問題として特定されていた。この記事では、ある本の裏表紙の索引項目が別の本の索引項目を指し、さらに別の本の項目へと続くという例で説明している；この問題は、何冊もの本を次々に参照した後、参照チェーンが最終的にどこで終わるかを問うものである。

先行研究を応用して下限を導出し、反復インデックス問題を解くにはトランスフォーマーに十分に大きな計算資源が必要であることを示した。著者らは続いて、この問題が単一の古典的ANDゲートを付加したほぼ定深度の量子回路で解決可能であり、その深さは真に定数にはできないことを示した。要旨では、関数は単一の古典ANDゲートを後に適用した O(log log n) 深さの QNC^0 回路で計算可能である一方、同様の定深度デコーダーのみトランスフォーマーが計算するには幅 n^Ω(1) が必要であると述べている。

サンプリング分離：パリティと拡散言語モデル

第2の結果は分布的問題に関するもので、最もよく知られた例はDALL·EやStable Diffusionといった拡散モデルが扱う画像生成に見られる。論文は拡散言語モデルを研究しており、これらはテキストにランダムノイズを付加し、段階的にその汚染を除去することを学習して訓練される。テスト時にはノイズから開始し、出力が所望の形になるまで繰り返しノイズを除去する。

ここでの古典的問題であるパリティ・サンプリングは、2018年にBravyiらが量子と古典の浅層回路を比較するために用いた問題と類似している。0と1からなる文字列が与えられたとき、パリティはその文字列に含まれる1の数が偶数か奇数かを問う。定深度量子回路はエンタングルメントと干渉を利用して未知の文字列のパリティを予測し、指定されたパリティの文字列を効率的にサンプリングできる。

先行研究では、拡散言語モデルがこのサンプリング問題のバージョンを解く能力に限界があることが示されていましたが、これらの結果はチェーン・オブ・ソート（思考の連鎖）を備えたモデルを対象としていませんでした。チェーン・オブ・ソートでは、モデルが中間トークンを生成しながら処理を進める能力で、以前の研究ではこの能力がモデルの性能を大幅に向上させることが一般的に確認されています。著者らは、拡散言語モデルがある程度のチェーン・オブ・ソートを利用できるようにした場合でも、浅い量子回路が生成する分布に効率的に一致させることはできないことを証明しました。要旨では、定数深さの QNC^0 回路でサンプリング可能な分布が、浅いスケジューリングとデノイジングを用いる定数ラウンドの拡散言語モデルでは、サブリニアなチェーン・オブ・ソートや出力トークンの修正・再マスクが許可されても、定数距離以内でサンプリングできないことが述べられています。

制限事項と今後の方向性

著者らは本研究を厳密に理論的なものであり、数学的証明に基づくものと説明しています。彼らは、現在の量子コンピュータは能力に限界があり、ノイズやエラーの影響を受けやすい一方で、classical LLMsはスケールした最先端の計算ハードウェアにアクセスできることを認めています。本研究は、調査対象の特定問題において量子システムが LLM を上回る正確な規模を示していませんが、著者は、漸近的には直接比較した場合に量子回路が LLM を上回ると述べています。

著者らは、今回の知見が量子システムと LLM をこれらの難問で比較する具体的なベンチマークの構築への道を開くことを期待しています。彼らが挙げた未解決の質問には、浅い量子回路と LLM よりも強力なモデルを区別する問題、そして制約の少ない量子回路がどのように比較されるかが含まれます。長期的な目標は、汎用的な量子計算と古典計算の無条件分離の全体像を描くことであり、これはまだ遠い先の課題であると述べています。

その間に、著者らは本研究が量子コンピュータ向けのアルゴリズムや応用の開発を促すべきだと述べています。なぜなら、いくつかの問題は調査対象の LLM アーキテクチャの範囲を超えているものの、限定的なフォールトトレラント量子計算モデルでは依然として取り扱えるからです。著者はまた、量子計算が最終的に古典的 AI システムを補完し、従来ははるかに大きな計算資源を必要としたタスクを処理できるようになる可能性を指摘し、完全に実現されたハイブリッド量子・古典計算の未来に楽観的であると述べています。