IBM Research demonstrează că circuitele cuantice depășesc LLM-urile în două probleme

IBM Research, pe 15 septembrie 2026, a publicat un raport despre un studiu care demonstrează separări teoretice necondiționate între circuitele cuantice superficiale și modelele lingvistice mari: o problemă funcțională și o problemă de eșantionare pentru care circuitele cuantice superficiale dețin un avantaj demonstrabil față de LLM-uri.

Linia de subsol a postului enumeră pe Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta și Ryan Mandelbaum. Descrie lucrarea „Separating quantum circuits from classical LLMs”, de Arunachalam, Dutt, Krovi și Sengupta, care a fost postată pe arXiv pe 4 august 2026 și are 60 de pagini cu șase figuri. Rezumatul prezintă studiul ca fiind inițiativa de a investiga avantajul cuantic în era modelelor lingvistice mari. Autorii descriu rezultatele ca fiind teoretice, mai degrabă decât imediat practice, subliniind diferența dintre hardware‑ul matur, la scară largă, din spatele LLM‑urilor moderne și computerele cuantice sensibile la erori disponibile în prezent.

O linie de cercetare din 2018 către LLM-uri

Lucrarea continuă o linie de cercetare privind circuitele cuantice superficiale, în care adâncimea unui circuit rămâne constantă pe măsură ce numărul de qubiți crește. Un rezultat din 2018 publicat în Science de cercetătorii IBM Sergey Bravyi, David Gosset și Robert König a demonstrat că un anumit model de circuite cuantice cu adâncime constantă poate rezolva probleme de căutare specifice pe care niciun circuit clasic comparabil cu adâncime constantă nu le poate rezolva. În anii care au urmat, cercetătorii au consolidat treptat această separare față de modele de calcul clasic din ce în ce mai expresive, în timp ce partea cuantică a rămas superficială, potrivit postului.

Având în vedere omniprezența LLM-urilor în sarcinile computaționale, autorii au căutat separări pentru două tipuri de probleme de bază. Problemele funcționale implică calcularea valorii unei funcții, returnând rezultatul corect pentru o anumită intrare, cum ar fi extragerea unei informații specifice ca răspuns la o solicitare. Problemele de eșantionare implică generarea unui rezultat conform unei distribuții de probabilitate dorite, cum ar fi producerea de text sau imagini noi ca răspuns la o solicitare.

O separare funcțională și una de eșantionare

Separare funcțională: funcția de index iterat

În cazul funcțional, lucrarea se concentrează pe transformerele doar-decodor, arhitectura din spatele multor LLM-uri proeminente, inclusiv GPT, Claude și Llama. Un transformator tokenizează intrarea brută, încorporează tokenii ca o secvență de vectori și reponderă în mod repetat acei vectori pe parcursul mai multor straturi, utilizând parametri învățați și un mecanism de produs scalar scalat numit atenție. Modelele doar-decodor generează noi tokeni secvențial ca răspuns la o solicitare.

Cercetările anterioare de complexitate asupra transformatoarelor identificaseră funcția de index iterat ca o problemă ce necesită resurse computaționale substanțiale. Postul o ilustrează cu o intrare de index la sfârșitul unei cărți care indică o intrare de index într-o a doua carte, care la rândul ei indică o intrare într-o a treia, și așa mai departe; problema întreabă unde se termină acel lanț de referințe după numeroase cărți consecutive.

Adaptarea rezultatului anterior a furnizat o limită inferioară care arată că rezolvarea problemei de index iterat necesită resurse computaționale suficient de mari din partea transformatoarelor. Autorii au demonstrat apoi că problema este rezolvabilă printr-un circuit cuantic cu adâncime aproape constantă, augmentat cu o singură poartă clasică AND, și că această adâncime nu poate fi făcută cu adevărat constantă. Rezumatul afirmă că funcția este calculabilă în circuite QNC^0 cu adâncime O(log log n) și cu o singură poartă clasică AND aplicată ulterior, în timp ce orice transformator doar-decodor cu adâncime constantă care o calculează trebuie să aibă lățime n^Ω(1).

Separare de eșantionare: Paritate și modele lingvistice de difuzie

Al doilea rezultat privește problemele distribuționale, ale căror exemple cele mai cunoscute apar în generarea de imagini gestionată de modele de difuzie precum DALL·E și Stable Diffusion. Lucrarea studiază modelele lingvistice de difuzie, care sunt antrenate prin adăugarea de zgomot aleator la text și învățarea de a anula corupția pas cu pas; în timpul testării, acestea încep din zgomot și îl elimină iterativ până când rezultatul capătă forma dorită.

Problema clasică de aici, eșantionarea parității, este similară cu cea pe care Bravyi și coautorii săi au folosit-o pentru a compara circuitele superficiale cuantice și clasice în 2018. Dat un șir de 0 și 1, paritatea întreabă dacă șirul conține un număr par sau impar de 1. Un circuit cuantic cu adâncime constantă poate folosi entanglementul și interferența pentru a prezice paritatea unui șir necunoscut și astfel să eșantioneze eficient șiruri cu o paritate specificată.

Lucrări anterioare au arătat limitele în ceea ce privește capacitatea modelelor de limbaj difuzionale de a rezolva o variantă a acestei probleme de eșantionare, dar acele rezultate nu au cuprins modelele echipate cu lanț de gândire, în care un model generează și parcurge tokenuri intermediare, o abilitate pe care cercetările anterioare au constatat în general că le conferă modelelor o capacitate semnificativ mai mare. Autorii au demonstrat că, chiar și atunci când unui model de limbaj difuzional i se oferă acces la o anumită cantitate de lanț de gândire, acesta nu poate potrivi eficient distribuția pe care o produce circuitul cuantic superficial. Abstractul afirmă, de asemenea, că există o distribuție ce poate fi eșantionată de circuite QNC^0 de adâncime constantă, pe care niciun model de limbaj difuzional cu runde constante, utilizând programare superficială și denoisare, nu o poate eșantiona la o distanță constantă, chiar și cu lanț de gândire subliniar și revizuire și remascare a tokenurilor de ieșire permise.

Limitări și Direcții Viitoare

Autorii descriu lucrarea ca fiind strict teoretică, constând în demonstrații matematice. Ei recunosc că computerele cuantice actuale sunt limitate în capacitățile lor și supuse zgomotului și erorilor, în timp ce classical LLMs au acces la hardware de calcul de ultimă generație la scară largă. Lucrarea nu identifică o scară exactă la care sistemele cuantice vor depăși LLM-urile în problemele specifice studiate; autorii afirmă doar că, asimptotic, circuitele cuantice vor depăși LLM-urile atunci când cele două sunt comparate direct.

Autorii au declarat că speră ca aceste perspective să deschidă calea către benchmark-uri concrete care să compare sistemele cuantice și LLM-urile în aceste probleme dificile. Printre întrebările deschise pe care le-au enumerat se numără care probleme separă circuitele cuantice superficiale de modele mai puternice decât LLM-urile și cum se compară circuitele cuantice mai puțin restricționate. Scopul lor pe termen lung este să cartografieze pe deplin peisajul separărilor necondiționate dintre calculul cuantic și cel clasic complet general, un obiectiv pe care îl descriu ca fiind încă departe de realizare.

Între timp, au scris că lucrarea ar trebui să motiveze dezvoltarea de algoritmi și aplicații pentru calculul cuantic, având în vedere că unele probleme depășesc capacitatea arhitecturilor LLM studiate, rămânând totuși abordabile pentru modele limitate de calcul cuantic tolerant la erori. Autorii ridică, de asemenea, posibilitatea ca calculul cuantic să poată, în cele din urmă, să completeze sistemele AI clasice, permițându-le să gestioneze sarcini care altfel ar necesita resurse computaționale substanțial mai mari, și spun că sunt optimiști în privința unui viitor al calculului hibrid cuantic-clasic pe deplin realizat.