IBM Research udowadnia, że obwody kwantowe przewyższają LLM‑y w dwóch problemach

IBM Research 15 września 2026 r. opublikował opis pracy dowodzącej bezwarunkowe teoretyczne rozdzielenia między płytkimi obwodami kwantowymi a dużymi modelami językowymi: jeden problem funkcyjny i jeden problem próbkowania, w których płytkie obwody kwantowe mają udowodnioną przewagę nad LLM‑ami.

W stopce artykułu wymieniono Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta i Ryan Mandelbaum. Opisuje on pracę „Separating quantum circuits from classical LLMs” autorstwa Arunachalama, Dutta, Krovi i Sengupty, która opublikowano na arXiv 4 sierpnia 2026 r., liczy 60 stron i zawiera sześć rysunków. Streszczenie przedstawia badanie jako początek analizy przewagi kwantowej w erze dużych modeli językowych. Autorzy opisują wyniki jako teoretyczne, a nie od razu praktyczne, wskazując na lukę między dojrzałym, dużym sprzętem stojącym za współczesnymi LLM‑ami a podatnymi na błędy komputerami kwantowymi dostępnymi obecnie.

Linia badawcza od 2018 r. do LLM‑ów

Praca kontynuuje badania nad płytkimi obwodami kwantowymi, w których głębokość obwodu pozostaje stała przy rosnącej liczbie kubitów. Wynik z 2018 r., opublikowany w czasopiśmie Science przez badaczy IBM‑a Sergieja Bravyiego, Davida Gosseta i Roberta Königa, wykazał, że pewien model stałej głębokości obwodów kwantowych potrafi rozwiązywać konkretne problemy wyszukiwania, których żaden porównywalny klasyczny obwód stałej głębokości nie jest w stanie rozwiązać. Od tego czasu naukowcy systematycznie wzmacniali to rozdzielenie wobec coraz bardziej ekspresyjnych modeli klasycznej obliczeniowości, podczas gdy strona kwantowa pozostała płytka, jak podano w poście.

Biorąc pod uwagę powszechność LLM‑ów w zadaniach obliczeniowych, autorzy poszukali rozdzielenia dla dwóch podstawowych typów problemów. Problemy funkcyjne polegają na obliczeniu wartości funkcji, zwracając prawidłowy wynik dla danego wejścia, np. pobranie konkretnej informacji w odpowiedzi na zapytanie. Problemy próbkowania polegają na generowaniu wyniku zgodnie z żądaną dystrybucją prawdopodobieństwa, np. tworzenie nowego tekstu lub obrazu w odpowiedzi na zapytanie.

Jedno rozdzielenie funkcyjne i jedno rozdzielenie próbkowania

Rozdzielenie funkcyjne: iterowana funkcja indeksowa

W przypadku funkcyjnym artykuł koncentruje się na transformerach typu decoder‑only, architekturze stojącej za wieloma znaczącymi LLM‑ami, w tym GPT, Claude i Llama. Transformer tokenizuje surowe wejście, osadza tokeny jako ciąg wektorów i wielokrotnie przelicza te wektory w kolejnych warstwach, wykorzystując wyuczone parametry oraz mechanizm skalowanego iloczynu skalarnych zwany uwagą (attention). Modele typu decoder‑only generują nowe tokeny kolejno w odpowiedzi na zapytanie.

Wcześniejsze badania złożonościowe nad transformerami zidentyfikowały iterowaną funkcję indeksową jako problem wymagający znacznych zasobów obliczeniowych. Post ilustruje to przykładem wpisu indeksowego na końcu jednej książki, który odwołuje się do wpisu w drugiej książce, który z kolei odwołuje się do wpisu w trzeciej i tak dalej; problem polega na określeniu, gdzie kończy się ten łańcuch odniesień po wielu kolejnych książkach.

Adaptacja wcześniejszego wyniku dostarczyła dolnego ograniczenia wykazującego, że rozwiązanie problemu iterowanego indeksu wymaga wystarczająco dużych zasobów obliczeniowych od transformerów. Autorzy wykazali następnie, że problem ten jest rozwiązywalny przez obwód kwantowy o prawie stałej głębokości, uzupełniony pojedynczym klasycznym bramką AND, przy czym głębokość nie może być naprawdę stała. Streszczenie stwierdza, że funkcja jest obliczalna w obwodach QNC^0 o głębokości O(log log n) z jedną klasyczną bramką AND zastosowaną później, podczas gdy każdy stałej głębokości transformer typu decoder‑only, który ją oblicza, musi mieć szerokość n^Ω(1).

Rozdzielenie próbkowania: parzystość i modele językowe dyfuzyjne

Drugi wynik dotyczy problemów dystrybucyjnych, których najlepsze znane przykłady pojawiają się w generowaniu obrazów obsługiwanym przez modele dyfuzyjne, takie jak DALL·E i Stable Diffusion. Artykuł bada modele językowe dyfuzyjne, które są trenowane poprzez dodawanie losowego szumu do tekstu i uczenie się odwracania korupcji krok po kroku; w fazie testowej zaczynają od szumu i iteracyjnie go usuwają, aż wyjście przybiera pożądaną formę.

Klasycznym problemem w tym kontekście jest próbkowanie parzystości, podobny do tego, którego Bravyi i współautorzy użyli w 2018 r. do porównania płytkich obwodów kwantowych i klasycznych. Mając ciąg zer i jedynek, parzystość pyta, czy ciąg zawiera parzystą czy nieparzystą liczbę jedynek. Stałej głębokości obwód kwantowy może wykorzystać splątanie i interferencję, aby przewidzieć parzystość nieznanego ciągu i w ten sposób efektywnie próbować ciągi o określonej parzystości.

Wcześniejsze badania wykazały ograniczenia w tym, jak dobrze modele językowe oparte na dyfuzji mogą rozwiązywać wersję tego problemu próbkowania, ale wyniki te nie obejmowały modeli wyposażonych w chain-of-thought, w których model generuje i przetwarza pośrednie tokeny – zdolność, którą wcześniejsze badania ogólnie uznały za znacznie zwiększającą możliwości modeli. Autorzy dowiedli, że nawet gdy model językowy o dyfuzji ma dostęp do pewnej ilości chain-of-thought, nadal nie jest w stanie efektywnie dopasować rozkładu generowanego przez płytki obwód kwantowy. Streszczenie stwierdza również, że istnieje rozkład możliwy do próbkowania przez obwody QNC^0 o stałej głębokości, którego żaden model językowy o dyfuzji działający w stałej liczbie rund, wykorzystujący płytkie planowanie i odszumianie, nie może próbować w stałej odległości, nawet przy dopuszczonym podliniowym chain-of-thought oraz rewizji i ponownym maskowaniu tokenów wyjściowych.

Ograniczenia i dalsze kierunki

Autorzy opisują pracę jako ściśle teoretyczną, składającą się z dowodów matematycznych. Przyznają, że współczesne komputery kwantowe są ograniczone w swoich możliwościach i podlegają szumom oraz błędom, podczas gdy klasyczne LLM mają dostęp do najnowocześniejszego sprzętu komputerowego na dużą skalę. Praca nie wskazuje dokładnej skali, przy której systemy kwantowe przewyższą LLM w badanych problemach; autorzy stwierdzają jedynie, że asymptotycznie obwody kwantowe będą lepsze od LLM, gdy zostaną porównane bezpośrednio.

Autorzy powiedzieli, że mają nadzieję, iż wnioski utorują drogę do konkretnych benchmarków porównujących systemy kwantowe i LLM w tych trudnych problemach. Do otwartych pytań, które wymienili, należą: które problemy odróżniają płytkie obwody kwantowe od modeli potężniejszych niż LLM, oraz jak porównują się mniej ograniczone obwody kwantowe. Ich długoterminowym celem jest opracowanie pełnego obrazu bezwarunkowych rozdzielenia pomiędzy w pełni ogólnymi obliczeniami kwantowymi a klasycznymi, cel, który opisują jako wciąż odległy.

Jednocześnie napisali, że praca powinna motywować rozwój algorytmów i aplikacji dla komputerów kwantowych, biorąc pod uwagę, że niektóre problemy wykraczają poza możliwości badanych architektur LLM, a jednocześnie pozostają rozwiązywalne nawet dla ograniczonych modeli odpornych na błędy w obliczeniach kwantowych. Autorzy podnoszą także możliwość, że obliczenia kwantowe mogą ostatecznie wspomagać klasyczne systemy AI, pozwalając im realizować zadania, które w przeciwnym razie wymagałyby znacznie większych zasobów obliczeniowych, i wyrażają optymizm co do przyszłości w pełni zrealizowanych hybrydowych obliczeń kwantowo-klasycznych.