IBM Research demonstra que circuitos quânticos superam LLMs em dois problemas

IBM Research em 15 de setembro de 2026, publicou um relato de trabalho que prova separações teóricas incondicionais entre circuitos quânticos rasos e grandes modelos de linguagem: um problema funcional e um problema de amostragem para os quais circuitos quânticos rasos têm uma vantagem comprovada sobre LLMs.

A assinatura da postagem lista Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta e Ryan Mandelbaum. Ela descreve o artigo “Separating quantum circuits from classical LLMs,” de Arunachalam, Dutt, Krovi e Sengupta, que foi publicado no arXiv em 4 de agosto de 2026, e tem 60 páginas com seis figuras. O resumo enquadra o trabalho como o início do estudo da vantagem quântica na era dos grandes modelos de linguagem. Os autores descrevem os resultados como teóricos, e não imediatamente práticos, apontando para a lacuna entre o hardware maduro e de grande escala que sustenta os LLMs modernos e os computadores quânticos propensos a erros atualmente disponíveis.

Uma linha de pesquisa de 2018 até os LLMs

O trabalho segue uma linha de pesquisa sobre circuitos quânticos rasos, na qual a profundidade de um circuito permanece constante à medida que o número de qubits aumenta. Um resultado de 2018 publicado na Science por pesquisadores da IBM Sergey Bravyi, David Gosset e Robert König mostrou que um certo modelo de circuitos quânticos de profundidade constante pode resolver problemas de busca específicos que nenhum circuito clássico de profundidade constante comparável consegue resolver. Nos anos subsequentes, os pesquisadores reforçaram continuamente essa separação contra modelos de computação clássica cada vez mais expressivos, enquanto o lado quântico permaneceu raso, segundo a postagem.

Dada a onipresença dos LLMs em tarefas computacionais, os autores buscaram separações para dois tipos básicos de problemas. Problemas funcionais envolvem computar o valor de uma função, retornando a saída correta para uma entrada dada, como obter uma informação específica em resposta a um prompt. Problemas de amostragem envolvem gerar uma saída de acordo com uma distribuição de probabilidade desejada, como produzir texto ou imagens novos em resposta a um prompt.

Uma separação funcional e uma de amostragem

Separação Funcional: A Função de Índice Iterada

Para o caso funcional, o artigo foca em transformers apenas decodificadores, a arquitetura por trás de muitos LLMs proeminentes, incluindo GPT, Claude e Llama. Um transformer tokeniza a entrada bruta, incorpora os tokens como uma sequência de vetores e re‑pesa repetidamente esses vetores ao longo de múltiplas camadas, usando parâmetros aprendidos e um mecanismo de produto escalar escalado chamado atenção. Modelos apenas decodificadores geram novos tokens sequencialmente em resposta a um prompt.

Pesquisas anteriores de complexidade sobre transformers identificaram a função de índice iterada como um problema que demanda recursos computacionais substanciais. A postagem ilustra isso com uma entrada de índice ao final de um livro que aponta para uma entrada de índice em um segundo livro, que aponta para uma entrada em um terceiro, e assim por diante; o problema pergunta onde essa cadeia de referências termina após muitos livros sucessivos.

Adaptar o resultado anterior forneceu um limite inferior que demonstra que resolver o problema de índice iterado requer recursos computacionais suficientemente grandes dos transformers. Os autores então mostraram que o problema é solucionável por um circuito quântico de profundidade quase constante, augmentado com um único portão AND clássico, e que essa profundidade não pode ser tornada verdadeiramente constante. O resumo afirma que a função é computável em circuitos QNC^0 de profundidade O(log log n) com um único portão AND clássico aplicado posteriormente, enquanto qualquer transformer apenas decodificador de profundidade constante que a compute deve ter largura n^Ω(1).

Separação de Amostragem: Paridade e Modelos de Linguagem por Difusão

O segundo resultado diz respeito a problemas distributivos, cujos exemplos mais conhecidos surgem na geração de imagens tratada por modelos de difusão como DALL·E e Stable Diffusion. O artigo estuda modelos de linguagem por difusão, que são treinados adicionando ruído aleatório ao texto e aprendendo a desfazer a corrupção passo a passo; no momento da inferência, eles começam a partir do ruído e o removem iterativamente até que a saída assuma a forma desejada.

O problema clássico aqui, amostragem de paridade, é semelhante ao que Bravyi e seus coautores usaram para comparar circuitos rasos quânticos e clássicos em 2018. Dada uma cadeia de 0s e 1s, a paridade pergunta se a cadeia contém um número par ou ímpar de 1s. Um circuito quântico de profundidade constante pode usar emaranhamento e interferência para prever a paridade de uma cadeia desconhecida e, assim, amostrar eficientemente cadeias com uma paridade especificada.

Trabalhos anteriores demonstraram limites sobre quão bem modelos de linguagem de difusão poderiam resolver uma versão deste problema de amostragem, mas esses resultados não cobriam modelos equipados com cadeia de pensamento, nos quais um modelo gera e trabalha com tokens intermediários, uma capacidade que pesquisas anteriores geralmente descobriram tornar os modelos significativamente mais capazes. Os autores provaram que, mesmo quando um modelo de linguagem de difusão tem acesso a certa quantidade de cadeia de pensamento, ele ainda não consegue corresponder de forma eficiente à distribuição produzida pelo circuito quântico raso. O resumo também afirma que existe uma distribuição amostrável por circuitos QNC^0 de profundidade constante que nenhum modelo de linguagem de difusão de rodadas constantes usando agendamento raso e denoising pode amostrar dentro de distância constante, mesmo com cadeia de pensamento sublinear e revisão e remapeamento de tokens de saída permitidos.

Limitações e Próximas Direções

Os autores descrevem o trabalho como estritamente teórico, consistindo em provas matemáticas. Eles reconhecem que os computadores quânticos atuais são limitados em suas capacidades e sujeitos a ruído e erros, enquanto LLMs clássicos têm acesso a hardware de computação de ponta em escala. O estudo não identifica uma escala exata na qual sistemas quânticos superarão os LLMs nos problemas específicos analisados; os autores afirmam apenas que, assintoticamente, circuitos quânticos superarão os LLMs quando os dois forem comparados diretamente.

Os autores disseram que esperam que as percepções abram caminho para benchmarks concretos que comparem sistemas quânticos e LLMs nesses problemas difíceis. Entre as questões em aberto que citaram estão quais problemas separam circuitos quânticos rasos de modelos mais poderosos que os LLMs, e como circuitos quânticos menos restritos se comparam. Seu objetivo de longo prazo declarado é mapear todo o panorama de separações incondicionais entre computação quântica e clássica totalmente geral, um objetivo que descrevem como ainda distante.

Entretanto, eles escreveram que o trabalho deve motivar o desenvolvimento de algoritmos e aplicações para computação quântica, dado que alguns problemas estão além do alcance das arquiteturas de LLM estudadas, embora permaneçam tratáveis mesmo para modelos limitados de computação quântica tolerante a falhas. Os autores também levantam a possibilidade de que a computação quântica possa, eventualmente, ampliar sistemas de IA clássicos, permitindo que eles executem tarefas que de outra forma exigiriam recursos computacionais substancialmente maiores, e afirmam estar otimistas quanto a um futuro de computação híbrida quântica-clássica plenamente realizada.