IBM Research viser at kvantekretser overgår LLM-er på to problemer

IBM Research 15. september 2026, publiserte en redegjørelse om arbeid som beviser ubetingede teoretiske separasjoner mellom grunne kvantekretser og store språkmodeller: ett funksjonsproblem og ett prøvetakingsproblem som grunne kvantekretser har en påvisbar fordel over LLM-er.

Innleggets forfatterliste inneholder Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta og Ryan Mandelbaum. Den beskriver artikkelen “Separating quantum circuits from classical LLMs”, av Arunachalam, Dutt, Krovi og Sengupta, som ble lagt ut på arXiv 4. august 2026, og omfatter 60 sider med seks figurer. Sammendraget presenterer arbeidet som en innledning til studiet av kvantefordel i en æra med store språkmodeller. Forfatterne beskriver resultatene som teoretiske snarere enn umiddelbart praktiske, og peker på gapet mellom den modne, stor‑skala maskinvaren bak moderne LLM-er og de feilutsatte kvantedatamaskinene som er tilgjengelige i dag.

En forskningslinje fra 2018 til LLM-er

Arbeidet følger en forskningslinje om grunne kvantekretser, der kretsens dybde forblir konstant mens antallet qubits øker. Et resultat fra 2018 publisert i Science av IBM-forskerne Sergey Bravyi, David Gosset og Robert König viste at en viss modell av konstant‑dybde kvantekretser kan løse spesifikke søkeproblemer som ingen tilsvarende konstant‑dybde klassisk krets kan løse. I årene siden har forskere jevnlig styrket denne separasjonen mot stadig mer uttrykksfulle modeller av klassisk beregning, mens den kvantemessige siden har forblitt grunn, ifølge innlegget.

Gitt den utbredte bruken av LLM-er i beregningsoppgaver, søkte forfatterne separasjoner for to grunnleggende problemtyper. Funksjonsproblemer innebærer å beregne verdien av en funksjon og returnere riktig resultat for en gitt input, for eksempel å hente en spesifikk informasjon som svar på en forespørsel. Prøvetakingsproblemer innebærer å generere et resultat i henhold til en ønsket sannsynlighetsfordeling, for eksempel å produsere ny tekst eller bilder som svar på en forespørsel.

En funksjonell og en prøvetakingsseparasjon

Funksjonell separasjon: Den itererte indeksfunksjonen

For funksjonstilfellet fokuserer artikkelen på kun‑dekoder‑transformere, arkitekturen bak mange fremtredende LLM-er, inkludert GPT, Claude og Llama. En transformer tokeniserer rå input, innkapsler tokenene som en sekvens av vektorer, og justerer disse vektorene gjentatte ganger gjennom flere lag ved hjelp av lærte parametere og en skalert dot‑product‑mekanisme kalt oppmerksomhet. Kun‑dekoder‑modeller genererer nye token sekvensielt som svar på en forespørsel.

Tidligere kompleksitetsforskning på transformere hadde identifisert den itererte indeksfunksjonen som et problem som krever betydelige beregningsressurser. Innlegget illustrerer dette med en indeksoppføring på baksiden av en bok som peker på en indeksoppføring i en annen bok, som igjen peker på en oppføring i en tredje, osv.; problemet spør hvor denne kjeden av referanser ender etter mange påfølgende bøker.

Tilpasning av det tidligere resultatet ga en nedre grense som viser at løsning av den itererte indeksoppgaven krever tilstrekkelig store beregningsressurser fra transformere. Forfatterne viste deretter at oppgaven kan løses av en kvantekrets med nesten konstant dybde, utvidet med en enkelt klassisk AND‑port, og at denne dybden ikke kan gjøres helt konstant. Sammendraget oppgir at funksjonen er beregnbar i QNC^0‑kretser med O(log log n)-dybde og en enkelt klassisk AND‑port anvendt etterpå, mens enhver konstant‑dybde kun‑dekoder‑transformer som beregner den må ha bredde n^Ω(1).

Prøvetakingsseparasjon: Paritet og diffusjons‑språkmodeller

Det andre resultatet omhandler fordelingsproblemer, hvor de best kjente eksemplene oppstår i bildesyntese håndtert av diffusjonsmodeller som DALL·E og Stable Diffusion. Artikkelen studerer diffusjons‑språkmodeller, som trenes ved å tilføre tilfeldig støy til tekst og lære å fjerne korruptjonen steg for steg; i testfasen starter de fra støy og fjerner den iterativt til resultatet får ønsket form.

Det klassiske problemet her, paritet‑prøvetaking, ligner på det Bravyi og hans medforfattere brukte for å sammenligne kvante‑ og klassiske grunne kretser i 2018. Gitt en streng av 0‑ere og 1‑ere, spør paritet om strengen inneholder et jevnt eller et oddetall av 1‑ere. En konstant‑dybde kvantekrets kan bruke sammenfiltring og interferens for å forutsi pariteten til en ukjent streng og dermed effektivt prøve ut strenger med en spesifisert paritet.

Tidligere arbeid hadde vist begrensninger i hvor godt diffusjons‑språkmodeller kunne løse en versjon av dette prøvetakingsproblemet, men de resultatene dekket ikke modeller utrustet med chain‑of‑thought, der en modell genererer og arbeider gjennom mellomliggende token‑sekvenser, en evne som tidligere forskning generelt har funnet gjør modeller betydelig mer kapable. Forfatterne beviste at selv når en diffusjons‑språkmodell får tilgang til en viss mengde chain‑of‑thought, kan den fortsatt ikke effektivt matche fordelingen som det grunne kvantekretsen produserer. Sammendraget sier også at det finnes en fordeling som kan samples av konstant‑dybde QNC^0‑kretser, men som ingen konstant‑runde diffusjons‑språkmodell med grunne planlegging og denoising kan sample innen konstant avstand, selv med sublineær chain‑of‑thought og revisjon og remasking av utgangstoken tillatt.

Begrensninger og neste retninger

Forfatterne beskriver arbeidet som solid teoretisk, bestående av matematiske bevis. De erkjenner at dagens kvantedatamaskiner er begrenset i sine evner og utsatt for støy og feil, mens klassiske LLM-er har tilgang til toppmoderne datamaskinvare i stor skala. Arbeidet identifiserer ingen eksakt skala der kvantesystemer vil overgå LLM‑er på de spesifikke problemene som er studert; forfatterne sier kun at asymptotisk vil kvantekretser overgå LLM‑er når de to sammenlignes direkte.

Forfatterne sa at de håper innsiktene baner vei for konkrete referansepunkter som sammenligner kvantesystemer og LLM‑er på disse vanskelige problemene. Blant de åpne spørsmålene de nevner er hvilke problemer som skiller grunne kvantekretser fra modeller som er kraftigere enn LLM‑er, og hvordan mindre restriktive kvantekretser sammenlignes. Deres langsiktige mål er å kartlegge hele landskapet av ubetingede separasjoner mellom fullt generelle kvante‑ og klassiske beregninger, et mål de beskriver som fortsatt langt unna.

I mellomtiden skrev de at arbeidet bør motivere utviklingen av algoritmer og applikasjoner for kvantedatabehandling, gitt at noen problemer ligger utenfor rekkevidden til de studerte LLM‑arkitekturene mens de fortsatt er håndterbare for selv begrensede modeller av feil‑tolerant kvantedatabehandling. Forfatterne påpeker også muligheten for at kvantedatabehandling på sikt kan supplere klassiske AI‑systemer, slik at de kan håndtere oppgaver som ellers ville kreve betydelig større beregningsressurser, og de sier de er optimistiske med hensyn til en fremtid med fullt realisert hybrid kvante‑klassisk beregning.