IBM Research bewijst dat kwantumcircuits LLM’s overtreffen bij twee problemen

IBM Research op 15 september 2026, publiceerde een verslag van werk dat onvoorwaardelijke theoretische scheidingen aantoont tussen ondiepe kwantumcircuits en grote taalmodellen: één functioneel probleem en één steekproefprobleem waarvoor ondiepe kwantumcircuits een aantoonbaar voordeel hebben ten opzichte van LLM’s.

De bijschrift van het bericht vermeldt Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta en Ryan Mandelbaum. Het beschrijft het artikel “Separating quantum circuits from classical LLMs,” van Arunachalam, Dutt, Krovi en Sengupta, dat geplaatst op arXiv op 4 augustus 2026, en 60 pagina’s omvat met zes figuren. Het abstract positioneert het werk als het initiëren van de studie naar kwantumvoordeel in het tijdperk van grote taalmodellen. De auteurs omschrijven de resultaten als theoretisch in plaats van direct praktisch, en wijzen op de kloof tussen de volwassen, grootschalige hardware achter moderne LLM’s en de foutgevoelige kwantumcomputers die momenteel beschikbaar zijn.

Een onderzoekslijn van 2018 tot LLM’s

Het werk volgt een onderzoekslijn over ondiepe kwantumcircuits, waarbij de diepte van een circuit constant blijft naarmate het aantal qubits toeneemt. Een resultaat uit 2018, gepubliceerd in Science door IBM-onderzoekers Sergey Bravyi, David Gosset en Robert König, toonde aan dat een bepaald model van constant-diepte kwantumcircuits specifieke zoekproblemen kan oplossen die geen vergelijkbaar constant-diepte klassiek circuit kan oplossen. In de jaren daarna hebben onderzoekers die scheiding geleidelijk versterkt ten opzichte van steeds expressiever wordende modellen van klassieke berekening, terwijl de kwantumkant ondiep is gebleven, volgens het bericht.

Gezien de alomtegenwoordigheid van LLM’s in computationele taken, zochten de auteurs naar scheidingen voor twee basissoorten problemen. Functionele problemen omvatten het berekenen van de waarde van een functie, waarbij de correcte output voor een gegeven invoer wordt geretourneerd, zoals het ophalen van een specifiek stukje informatie als reactie op een prompt. Steekproefproblemen omvatten het genereren van een output volgens een gewenste kansverdeling, zoals het produceren van nieuwe tekst of afbeeldingen als reactie op een prompt.

Een functionele en één steekproefscheiding

Functionele scheiding: de iteratieve indexfunctie

Voor het functionele geval richt het artikel zich op decoder-only transformatoren, de architectuur achter vele prominente LLM’s, waaronder GPT, Claude en Llama. Een transformer tokeniseert ruwe invoer, embeddeert de tokens als een reeks vectoren, en weegt die vectoren herhaaldelijk opnieuw over meerdere lagen, met behulp van geleerde parameters en een geschaalde dot-product‑mechanisme dat attention wordt genoemd. Decoder-only modellen genereren nieuwe tokens opeenvolgend als reactie op een prompt.

Vroeger had complexiteitsonderzoek naar transformatoren de iteratieve indexfunctie geïdentificeerd als een probleem dat aanzienlijke rekenresources vereist. Het bericht illustreert dit met een indexvermelding aan de achterkant van één boek die verwijst naar een indexvermelding in een tweede boek, die weer verwijst naar een vermelding in een derde, enzovoort; het probleem vraagt waar die keten van verwijzingen eindigt na vele opeenvolgende boeken.

Het aanpassen van het eerdere resultaat leverde een ondergrens op die aantoont dat het oplossen van het iteratieve indexprobleem aanzienlijke rekenresources van transformatoren vereist. De auteurs toonden vervolgens aan dat het probleem oplosbaar is met een kwantumcircuit van bijna-constante diepte, aangevuld met één klassieke AND‑poort, en dat deze diepte niet echt constant kan worden gemaakt. Het abstract stelt dat de functie berekenbaar is in QNC^0‑circuits met O(log log n)-diepte, met daarna één klassieke AND‑poort, terwijl elke constant-diepte decoder-only transformer die het berekent een breedte van n^Ω(1) moet hebben.

Steekproefscheiding: pariteit en diffusietaalmodellen

Het tweede resultaat betreft distributieproblemen, waarvan de bekendste voorbeelden voorkomen in beeldgeneratie die wordt uitgevoerd door diffusiemodellen zoals DALL·E en Stable Diffusion. Het artikel bestudeert diffusietaalmodellen, die getraind worden door willekeurige ruis aan tekst toe te voegen en te leren de corruptie stap voor stap ongedaan te maken; tijdens de testfase beginnen ze met ruis en verwijderen die iteratief totdat de output de gewenste vorm aanneemt.

Het klassieke probleem hier, parity‑sampling, is vergelijkbaar met het probleem dat Bravyi en zijn co‑auteurs gebruikten om in 2018 kwantum- en klassieke ondiepe circuits te vergelijken. Gegeven een reeks van nullen en enen vraagt pariteit of de reeks een even of oneven aantal enen bevat. Een constant-diepte kwantumcircuit kan verstrengeling en interferentie benutten om de pariteit van een onbekende reeks te voorspellen en daardoor efficiënt strings met een opgegeven pariteit te bemonsteren.

Eerder onderzoek had grenzen aangetoond aan hoe goed diffusion language models deze variant van het steekproefprobleem konden oplossen, maar die resultaten omvatten niet modellen uitgerust met chain-of-thought, waarbij een model tussenliggende tokens genereert en verwerkt, een vermogen dat eerder onderzoek over het algemeen heeft aangetoond modellen aanzienlijk capabeler te maken. De auteurs bewezen dat zelfs wanneer een diffusion language model toegang krijgt tot een zekere hoeveelheid chain-of-thought, het nog steeds niet efficiënt de distributie kan evenaren die het ondiepe quantumcircuit produceert. Het abstract stelt ook dat er een distributie bestaat die bemonsterd kan worden door constant-diepte QNC^0-circuits, die geen constant-ronde diffusion language model met ondiepe planning en denoising binnen constante afstand kan bemonsteren, zelfs niet met sublineaire chain-of-thought en revisie en hermaskering van output‑tokens toegestaan.

Beperkingen en volgende richtingen

De auteurs beschrijven het werk als strikt theoretisch, bestaande uit wiskundige bewijzen. Ze erkennen dat huidige quantumcomputers beperkt zijn in hun mogelijkheden en onderhevig aan ruis en fouten, terwijl klassieke LLM’s toegang hebben tot state-of-the-art computerhardware op grote schaal. Het werk identificeert geen exacte schaal waarop kwantumsystemen LLM’s zullen overtreffen bij de specifieke bestudeerde problemen; de auteurs stellen alleen dat kwantumcircuits asymptotisch LLM’s zullen overtreffen wanneer de twee direct met elkaar worden vergeleken.

De auteurs zeiden dat ze hopen dat de inzichten de weg vrijmaken voor concrete benchmarks die quantum systemen en LLM’s vergelijken bij deze moeilijke problemen. Onder de open vragen die ze noemden, vallen welke problemen ondiepe quantumcircuits scheiden van modellen die krachtiger zijn dan LLM’s, en hoe minder beperkte quantumcircuits zich verhouden. Hun langetermijndoel is om het volledige landschap van onvoorwaardelijke scheidingen tussen volledig algemene quantum- en klassieke berekening in kaart te brengen, een doel dat ze beschrijven als nog ver in de toekomst.

In de tussentijd schreven ze dat het werk de ontwikkeling van algoritmen en toepassingen voor quantumcomputing zou moeten stimuleren, aangezien sommige problemen buiten het bereik liggen van de bestudeerde LLM-architecturen, terwijl ze nog wel haalbaar blijven voor zelfs beperkte modellen van fouttolerante quantumcomputing. De auteurs brengen ook de mogelijkheid naar voren dat quantumcomputatie uiteindelijk klassieke AI‑systemen kan aanvullen, zodat deze taken kunnen uitvoeren die anders aanzienlijk meer rekenkracht zouden vereisen, en ze zeggen optimistisch te zijn over een toekomst van volledig gerealiseerde hybride quantum‑klassieke berekening.