IBM Research доказывает, что квантовые схемы превосходят LLM в двух задачах

IBM Research 15 сентября 2026 года опубликовал отчёт о работе, доказывающей безусловные теоретические различия между поверхностными квантовыми схемами и крупными языковыми моделями: одну функциональную задачу и одну задачу выборки, для которых поверхностные квантовые схемы обладают доказуемым преимуществом над LLM.

В подписи к посту перечислены Сринивасан Аруначалам, Аркопал Датт, Хари Крови, Рик Сенгупта и Райан Мандельбаум. Описывается статья “Separating quantum circuits from classical LLMs,” авторов Аруначалам, Датт, Крови и Сенгупта, которая была размещён на arXiv 4 августа 2026 года и состоит из 60 страниц с шестью рисунками. В аннотации работа представлена как начало изучения квантового преимущества в эпоху крупных языковых моделей. Авторы характеризуют результаты как теоретические, а не сразу практические, указывая на разрыв между зрелым крупномасштабным оборудованием современных LLM и ошибко‑подверженными квантовыми компьютерами, доступными в настоящее время.

Исследовательская линия с 2018 года до LLM

Работа продолжает линию исследований поверхностных квантовых схем, в которой глубина схемы остаётся постоянной при увеличении числа кубитов. Результат 2018 года, опубликованный в журнале Science исследователями IBM Сергеем Брави, Дэвидом Госсетом и Робертом Кёнигом, продемонстрировал, что определённая модель квантовых схем постоянной глубины может решать конкретные задачи поиска, которые недоступны сравнимым классическим схемам постоянной глубины. С тех пор исследователи последовательно усиливали это различие, против более выразительных моделей классических вычислений, в то время как квантовая сторона оставалась поверхностной, согласно посту.

Учитывая повсеместное использование LLM в вычислительных задачах, авторы искали различия для двух базовых типов задач. Функциональные задачи подразумевают вычисление значения функции, возвращая правильный результат для заданного входа, например получение конкретной информации в ответ на запрос. Задачи выборки предполагают генерацию вывода согласно требуемому вероятностному распределению, например создание нового текста или изображений в ответ на запрос.

Одно функциональное и одно выборочное разделение

Функциональное разделение: итеративная индексная функция

Для функционального случая статья сосредотачивается на трансформерах только с декодером, архитектуре, лежащей в основе многих известных LLM, включая GPT, Claude и Llama. Трансформер токенизирует исходный ввод, преобразует токены в последовательность векторов и многократно переоценивает эти векторы через несколько слоёв, используя обучаемые параметры и механизм масштабированного скалярного произведения, называемый вниманием. Модели только с декодером генерируют новые токены последовательно в ответ на запрос.

Ранее исследования сложности трансформеров выявили итеративную индексную функцию как задачу, требующую значительных вычислительных ресурсов. Пост иллюстрирует её примером индексной записи в конце одной книги, указывающей на запись в индексе второй книги, которая указывает на запись в третьей, и так далее; задача состоит в том, где заканчивается эта цепочка ссылок после множества последовательных книг.

Адаптация ранее полученного результата дала нижнюю границу, показывающую, что решение задачи итеративного индекса требует от трансформеров достаточно больших вычислительных ресурсов. Авторы затем продемонстрировали, что задача решаема квантовой схемой почти постоянной глубины, дополненной единственным классическим элементом И (AND), и что эту глубину нельзя сделать действительно постоянной. В аннотации указано, что функция вычисляется в схемах QNC^0 глубиной O(log log n) с последующим применением единственного классического элемента И, тогда как любой декодер‑только трансформер постоянной глубины, вычисляющий её, должен иметь ширину n^Ω(1).

Выборочное разделение: паритет и диффузионные языковые модели

Второй результат касается распределённых задач, лучшие известные примеры которых встречаются в генерации изображений, реализуемой диффузионными моделями, такими как DALL·E и Stable Diffusion. В статье изучаются диффузионные языковые модели, которые обучаются добавлением случайного шума к тексту и обучением удалять искажение шаг за шагом; в тестовом режиме они начинают с шума и итеративно удаляют его, пока вывод не примет требуемую форму.

Классическая задача здесь — паритет‑выборка, аналогичная той, которую Брави и соавторы использовали в 2018 году для сравнения квантовых и классических поверхностных схем. Дана строка из нулей и единиц, паритет определяет, содержит ли строка чётное или нечётное количество единиц. Квантовая схема постоянной глубины может использовать запутанность и интерференцию для предсказания паритета неизвестной строки и тем самым эффективно генерировать строки заданного паритета.

Предыдущие исследования показали ограничения в способности диффузионных языковых моделей решать версию этой задачи выборки, однако эти результаты не охватывали модели, оснащённые цепочкой рассуждений, при которой модель генерирует и прорабатывает промежуточные токены — способность, которую ранние исследования обычно находили значительно повышающей возможности моделей. Авторы доказали, что даже когда диффузионной языковой модели предоставляется некоторый объём цепочки рассуждений, она всё равно не может эффективно воспроизвести распределение, генерируемое поверхностным квантовым конвейером. В аннотации также указывается, что существует распределение, выборка из которого возможна конвейерами постоянной глубины QNC^0, но ни одна диффузионная языковая модель с постоянным числом раундов, использующая поверхностное планирование и денойзинг, не может выбрать его с постоянным отклонением, даже при разрешённом сублинейном использовании цепочки рассуждений и пересмотра выходных токенов с повторным маскированием.

Ограничения и дальнейшие направления

Авторы описывают работу как строго теоретическую, состоящую из математических доказательств. Они признают, что текущие квантовые компьютеры ограничены в своих возможностях и подвержены шуму и ошибкам, тогда как классические LLM имеют доступ к передовому вычислительному оборудованию в масштабах. В работе не указана точная шкала, при которой квантовые системы превзойдут LLM по изучаемым задачам; авторы заявляют лишь, что асимптотически квантовые конвейеры будут превосходить LLM при прямом сравнении.

Авторы заявили, что надеются, что полученные инсайты проложат путь к конкретным бенчмаркам, сравнивающим квантовые системы и LLM по этим сложным задачам. Среди открытых вопросов, которые они назвали, — какие задачи отделяют поверхностные квантовые конвейеры от моделей, более мощных, чем LLM, и как сравниваются менее ограниченные квантовые конвейеры. Их долгосрочная цель — составить полную карту безусловных разделений между полностью общими квантовыми и классическими вычислениями, цель, которую они описывают как находящуюся ещё далеко в будущем.

Тем временем, они написали, работа должна стимулировать разработку алгоритмов и приложений для квантовых вычислений, учитывая, что некоторые задачи находятся за пределами возможностей изучаемых архитектур LLM, но остаются решаемыми даже для ограниченных моделей отказоустойчивых квантовых компьютеров. Авторы также поднимают возможность того, что квантовые вычисления в конечном итоге могут дополнить классические ИИ‑системы, позволяя им решать задачи, требующие существенно больших вычислительных ресурсов, и они выражают оптимизм относительно будущего полностью реализованных гибридных квантово‑классических вычислений.