IBM Research bevisar att kvantkretsar överträffar LLM:er på två problem

IBM Research den 15 september 2026, publicerade en redogörelse av arbete som bevisar villkorslösa teoretiska separationer mellan grunda kvantkretsar och stora språkmodeller: ett funktionellt problem och ett sampelproblem där grunda kvantkretsar har ett bevisat försprång gentemot LLM:er.

Artikeln listar författarna Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta och Ryan Mandelbaum. Den beskriver artikeln “Separating quantum circuits from classical LLMs” av Arunachalam, Dutt, Krovi och Sengupta, som postades på arXiv den 4 augusti 2026 och omfattar 60 sidor med sex figurer. Sammanfattningen presenterar arbetet som ett första steg i studiet av kvantfördelar i en era av stora språkmodeller. Författarna beskriver resultaten som teoretiska snarare än omedelbart praktiska och pekar på klyftan mellan den mogna, storskaliga hårdvaran bakom moderna LLM:er och de felbenägna kvantdatorer som för närvarande finns tillgängliga.

En forskningslinje från 2018 till LLM:er

Arbetet följer en forskningslinje om grunda kvantkretsar, där kretsens djup förblir konstant när antalet qubitar ökar. Ett resultat från 2018 publicerat i Science av IBM-forskarna Sergey Bravyi, David Gosset och Robert König visade att en viss modell av konstantdjupa kvantkretsar kan lösa specifika sökproblem som ingen motsvarande konstantdjup klassisk krets kan lösa. Under åren sedan har forskare stadigt stärkt den separationen mot allt mer uttrycksfulla modeller av klassisk beräkning, medan den kvantiska sidan har förblivit grund, enligt inlägget.

Med tanke på LLM:ernas utbreddhet i beräkningsuppgifter sökte författarna separationer för två grundläggande typer av problem. Funktionella problem innebär att beräkna värdet av en funktion och returnera rätt utdata för en given indata, såsom att hämta en specifik information som svar på en prompt. Sampelproblem innebär att generera en utdata enligt en önskad sannolikhetsfördelning, exempelvis att producera ny text eller bilder som svar på en prompt.

En funktionell och en sampelseparation

Funktionell separation: den itererade indexfunktionen

För det funktionella fallet fokuserar artikeln på decoder‑only‑transformers, arkitekturen bakom många framstående LLM:er, inklusive GPT, Claude och Llama. En transformer tokeniserar rå indata, inbäddar tokenarna som en sekvens av vektorer och omviktar dessa vektorer upprepade gånger över flera lager med hjälp av inlärda parametrar och en skalad dot‑product‑mekanism som kallas attention. Decoder‑only‑modeller genererar nya tokenar sekventiellt som svar på en prompt.

Tidigare komplexitetsforskning på transformers hade identifierat den itererade indexfunktionen som ett problem som kräver betydande beräkningsresurser. Inlägget illustrerar det med ett indexposter i baksidan av en bok som pekar på en indexpost i en andra bok, som i sin tur pekar på en post i en tredje, och så vidare; problemet frågar var den kedjan av referenser slutar efter många på varandra följande böcker.

Genom att anpassa det tidigare resultatet erhölls en nedre gräns som visar att lösning av den itererade indexproblemet kräver tillräckligt stora beräkningsresurser från transformers. Författarna visade sedan att problemet kan lösas av en kvantkrets med nästan konstant djup som förstärks med en enda klassisk AND‑gate, och att detta djup inte kan göras helt konstant. Sammanfattningen anger att funktionen är beräkningsbar i O(log log n)-djup QNC^0‑kretsar med en enda klassisk AND‑gate applicerad efteråt, medan någon konstantdjup decoder‑only‑transformer som beräknar den måste ha bredd n^Ω(1).

Sampelseparation: paritet och diffusionsspråkmodeller

Det andra resultatet rör distributionsproblem, vars mest kända exempel uppstår i bildgenerering som hanteras av diffusionsmodeller såsom DALL·E och Stable Diffusion. Artikeln studerar diffusionsspråkmodeller, som tränas genom att lägga till slumpmässigt brus till text och lära sig att återställa korruptionen steg för steg; vid testning startar de från brus och tar successivt bort det tills utdata får önskad form.

Det klassiska problemet här, paritetssampling, liknar det som Bravyi och hans medförfattare använde för att jämföra kvanta och klassiska grunda kretsar 2018. Givet en sträng av 0:or och 1:or frågar paritet om strängen innehåller ett jämnt eller udda antal 1:or. En konstantdjup kvantkrets kan använda sammanflätning och interferens för att förutsäga pariteten hos en okänd sträng och därmed effektivt sampela strängar med en specificerad paritet.

Tidigare forskning har visat begränsningar i hur väl diffusion‑språkmodeller kan lösa en version av detta sampelproblem, men dessa resultat omfattade inte modeller utrustade med kedjetänkande, där en modell genererar och bearbetar mellantoken, en förmåga som tidigare studier generellt har funnit gör modeller avsevärt mer kapabla. Författarna bevisade att även när en diffusion‑språkmodell får tillgång till någon mängd kedjetänkande, kan den fortfarande inte effektivt matcha fördelningen som den grunda kvantcirkeln producerar. Sammanfattningen anger också att det finns en fördelning som kan sampelas av konstantdjup QNC^0‑cirklar, men som ingen konstant‑rundors diffusion‑språkmodell som använder grundläggande schemaläggning och avbrusning kan sampela inom konstant avstånd, även med sublinjär kedjetänkande och omrevision av utgångstoken samt återmaskering tillåtet.

Begränsningar och framtida riktningar

Författarna beskriver arbetet som strikt teoretiskt, bestående av matematiska bevis. De erkänner att nuvarande kvantdatorer är begränsade i sina förmågor och utsatta för brus och fel, medan klassiska LLM:er har tillgång till toppmodern beräkningshårdvara i stor skala. Arbetet identifierar ingen exakt skala där kvantsystem kommer att överträffa LLM:er på de specifika problem som studerats; författarna påstår endast att asymptotiskt kommer kvantcirklar att överträffa LLM:er när de två jämförs direkt.

Författarna sade att de hoppas att insikterna banar väg för konkreta benchmarkar som jämför kvantsystem och LLM:er på dessa svåra problem. Bland de öppna frågor de nämnde finns vilka problem som skiljer grunda kvantcirklar från modeller som är kraftfullare än LLM:er, samt hur mindre begränsade kvantcirklar jämförs. Deras uttalade långsiktiga mål är att kartlägga hela landskapet av villkorslösa separationer mellan fullt allmän kvant‑ och klassisk beräkning, ett mål de beskriver som fortfarande långt borta.

Under tiden skrev de att arbetet bör motivera utvecklingen av algoritmer och tillämpningar för kvantberäkning, med tanke på att vissa problem ligger utanför räckhåll för de LLM‑arkitekturer som studerats men fortfarande är hanterbara för även begränsade modeller av feltolerant kvantberäkning. Författarna lyfter också fram möjligheten att kvantberäkning så småningom kan komplettera klassiska AI‑system, så att de kan hantera uppgifter som annars skulle kräva avsevärt större beräkningsresurser, och de säger att de är optimistiska inför en framtid med fullt realiserad hybrid kvant‑klassisk beräkning.