IBM Research พิสูจน์ว่าวงจรควอนตัมเหนือกว่า LLM ในสองปัญหา

IBM Research เมื่อวันที่ 15 กันยายน 2026, เผยแพร่รายงาน เกี่ยวกับงานที่พิสูจน์การแยกแยะเชิงทฤษฎีโดยไม่มีเงื่อนไขระหว่างวงจรควอนตัมตื้นและโมเดลภาษาใหญ่: ปัญหาเชิงหน้าที่หนึ่งและปัญหาการสุ่มหนึ่งซึ่งวงจรควอนตัมตื้นมีข้อได้เปรียบที่พิสูจน์ได้เหนือ LLM

บรรทัดชื่อผู้เขียนของโพสต์ระบุชื่อ Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta, และ Ryan Mandelbaum. มันอธิบายเอกสารชื่อ “Separating quantum circuits from classical LLMs,” โดย Arunachalam, Dutt, Krovi, และ Sengupta, ซึ่ง โพสต์บน arXiv เมื่อวันที่ 4 สิงหาคม 2026, มีความยาว 60 หน้าและมีรูปภาพหกรูป. บทคัดย่อวางกรอบงานนี้ว่าเป็นการเริ่มต้นศึกษาข้อได้เปรียบเชิงควอนตัมในยุคของโมเดลภาษาใหญ่. ผู้เขียนอธิบายผลลัพธ์ว่าเป็นเชิงทฤษฎีมากกว่าการประยุกต์ใช้ทันที, โดยชี้ให้เห็นช่องว่างระหว่างฮาร์ดแวร์ขนาดใหญ่ที่เจริญแล้วของ LLM สมัยใหม่และคอมพิวเตอร์ควอนตัมที่ยังมีข้อผิดพลาดในปัจจุบัน.

เส้นทางการวิจัยตั้งแต่ปี 2018 ถึง LLM

งานนี้ต่อเนื่องจากแนวทางการวิจัยเกี่ยวกับวงจรควอนตัมตื้น, ซึ่งความลึกของวงจรคงที่แม้จำนวนคิวบิตจะเพิ่มขึ้น. ผลลัพธ์ในปี 2018 ที่ตีพิมพ์ในวารสาร Science โดยนักวิจัย IBM ได้แก่ Sergey Bravyi, David Gosset, และ Robert König แสดงให้เห็นว่าโมเดลวงจรควอนตัมความลึกคงที่บางประเภทสามารถแก้ปัญหาการค้นหาเฉพาะที่วงจรคลาสสิกความลึกคงที่ใด ๆ ไม่สามารถแก้ได้. ตั้งแต่ปีนั้น, นักวิจัยได้เสริมความแตกต่างนี้ต่อโมเดลการคำนวณคลาสสิกที่มีความซับซ้อนเพิ่มขึ้นอย่างต่อเนื่อง, ในขณะที่ด้านควอนตัมยังคงอยู่ในระดับตื้น, ตามที่โพสต์ระบุ.

ด้วยการที่ LLM ปรากฏอยู่ทั่วไปในงานคำนวณ, ผู้เขียนจึงมองหาการแยกแยะสำหรับสองประเภทปัญหาเบื้องต้น. ปัญหาเชิงหน้าที่เกี่ยวกับการคำนวณค่าของฟังก์ชัน, ให้ผลลัพธ์ที่ถูกต้องสำหรับอินพุตที่กำหนด, เช่นการดึงข้อมูลชิ้นเฉพาะเพื่อตอบสนองต่อคำสั่ง. ปัญหาการสุ่มเกี่ยวกับการสร้างผลลัพธ์ตามการกระจายความน่าจะเป็นที่ต้องการ, เช่นการสร้างข้อความหรือภาพใหม่เพื่อตอบสนองต่อคำสั่ง.

การแยกแยะหนึ่งเชิงหน้าที่และหนึ่งเชิงการสุ่ม

การแยกแยะเชิงหน้าที่: ฟังก์ชันดัชนีซ้ำ

สำหรับกรณีเชิงหน้าที่, เอกสารมุ่งเน้นไปที่ transformer แบบ decoder‑only ซึ่งเป็นสถาปัตยกรรมของ LLM ที่โดดเด่นหลายรุ่นรวมถึง GPT, Claude, และ Llama. Transformer จะทำการแยกคำจากข้อมูลดิบ, ฝังโทเคนเป็นลำดับของเวกเตอร์, และทำการปรับน้ำหนักเวกเตอร์เหล่านั้นหลายครั้งผ่านหลายชั้นโดยใช้พารามิเตอร์ที่เรียนรู้และกลไก dot‑product ที่ปรับขนาดซึ่งเรียกว่า attention. โมเดลแบบ decoder‑only จะสร้างโทเคนใหม่ต่อเนื่องตามคำสั่ง.

การวิจัยความซับซ้อนก่อนหน้านี้เกี่ยวกับ transformer ได้ระบุฟังก์ชันดัชนีซ้ำเป็นปัญหาที่ต้องการทรัพยากรการคำนวณอย่างมาก. โพสต์อธิบายด้วยตัวอย่างรายการดัชนีที่อยู่ด้านหลังของหนังสือเล่มหนึ่งซึ่งอ้างอิงไปยังรายการดัชนีในหนังสือเล่มที่สอง, ซึ่งต่อไปอ้างอิงไปยังรายการในหนังสือเล่มที่สาม, และต่อ ๆ ไป; ปัญหานี้ถามว่าห่วงโซ่อ้างอิงนั้นสิ้นสุดที่ไหนหลังจากหนังสือหลายเล่มต่อเนื่องกัน.

การปรับผลลัพธ์ก่อนหน้าให้ได้ขอบเขตล่างที่แสดงว่าการแก้ปัญหาดัชนีซ้ำต้องการทรัพยากรการคำนวณที่ค่อนข้างใหญ่จาก transformer. ผู้เขียนต่อมาแสดงว่าปัญหานี้สามารถแก้ได้ด้วยวงจรควอนตัมที่มีความลึกใกล้คงที่โดยเพิ่มเกต AND คลาสสิกตัวเดียว, และความลึกนั้นไม่สามารถทำให้เป็นคงที่จริง ๆ ได้. บทคัดย่อระบุว่าฟังก์ชันนี้สามารถคำนวณได้ในวงจร QNC^0 ความลึก O(log log n) พร้อมกับเกต AND คลาสสิกตัวเดียวที่ใช้หลังจากนั้น, ในขณะที่ transformer แบบ decoder‑only ที่มีความลึกคงที่ใด ๆ ที่พยายามคำนวณฟังก์ชันนี้ต้องมีความกว้าง n^Ω(1).

การแยกแยะเชิงการสุ่ม: Parity และโมเดลภาษาการแพร่กระจาย

ผลลัพธ์ที่สองเกี่ยวกับปัญหาการกระจาย, ตัวอย่างที่รู้จักดีที่สุดคือการสร้างภาพที่ดำเนินการโดยโมเดลการแพร่กระจายเช่น DALL·E และ Stable Diffusion. เอกสารศึกษามอดูลภาษาการแพร่กระจาย, ซึ่งได้รับการฝึกโดยการเพิ่มสัญญาณรบกวนสุ่มลงในข้อความและเรียนรู้การย้อนกลับการเสียหายทีละขั้น; ในช่วงทดสอบ, โมเดลเริ่มจากสัญญาณรบกวนและค่อย ๆ กำจัดมันจนกระทั่งผลลัพธ์ได้รูปแบบที่ต้องการ.

ปัญหาคลาสสิกในที่นี้, parity‑sampling, มีความคล้ายคลึงกับปัญหาที่ Bravyi และผู้ร่วมงานของเขาใช้เพื่อเปรียบเทียบวงจรควอนตัมตื้นและคลาสสิกในปี 2018. เมื่อให้สตริงของ 0 และ 1, parity ถามว่าสตริงนั้นมีจำนวน 1 ที่เป็นเลขคู่หรือเลขคี่. วงจรควอนตัมความลึกคงที่สามารถใช้การพันธะและการแทรกสอดเพื่อทำนาย parity ของสตริงที่ไม่ทราบและดังนั้นสามารถสุ่มสตริงที่มี parity ที่กำหนดได้อย่างมีประสิทธิภาพ.

งานวิจัยก่อนหน้าพบข้อจำกัดว่ารุ่นภาษาการกระจาย (diffusion language models) สามารถแก้ปัญหาการสุ่มตัวอย่างแบบนี้ได้ไม่ดีนัก แต่ผลลัพธ์เหล่านั้นไม่ได้ครอบคลุมโมเดลที่มีการใช้แนวคิดเชนออฟธอท (chain‑of‑thought) ซึ่งโมเดลจะสร้างและดำเนินการผ่านโทเคนกลาง ๆ ซึ่งความสามารถนี้ตามการวิจัยก่อนหน้ามักทำให้โมเดลมีประสิทธิภาพสูงขึ้นอย่างมีนัยสำคัญ ผู้เขียนพิสูจน์ว่าแม้จะให้โมเดลภาษาการกระจายเข้าถึงเชนออฟธอทบางส่วนแล้ว มันก็ยังไม่สามารถจับคู่การกระจายที่วงจรควอนตัมเชิงตื้น (shallow quantum circuit) สร้างได้อย่างมีประสิทธิภาพ ส่วนบทคัดย่อยังระบุว่ามีการกระจายที่วงจร QNC^0 ความลึกคงที่สามารถสุ่มตัวอย่างได้ แต่โมเดลภาษาการกระจายที่ใช้การจัดตารางและการลดสัญญาณรบกวนเชิงตื้นในรอบคงที่ไม่สามารถสุ่มตัวอย่างได้ในระยะทางคงที่ แม้จะอนุญาตให้ใช้เชนออฟธอทแบบย่อยเส้นและการแก้ไขโทเคนผลลัพธ์และการทำมาสก์ใหม่แบบย่อยเส้นก็ตาม

ข้อจำกัดและแนวทางต่อไป

ผู้เขียนอธิบายว่าผลงานนี้เป็นงานเชิงทฤษฎีอย่างแน่นอน โดยอาศัยการพิสูจน์ทางคณิตศาสตร์ พวกเขายอมรับว่าคอมพิวเตอร์ควอนตัมในปัจจุบันยังมีข้อจำกัดด้านความสามารถและต้องเผชิญกับสัญญาณรบกวนและข้อผิดพลาด ในขณะที่ classical LLMs มีการเข้าถึงฮาร์ดแวร์คอมพิวเตอร์ระดับสูงในปริมาณมาก งานนี้ไม่ได้ระบุขนาดที่แน่นอนที่ระบบควอนตัมจะเหนือกว่า LLMs ในปัญหาที่ศึกษา ผู้เขียนกล่าวเพียงว่าในเชิงอสมการ วงจรควอนตัมจะเหนือกว่า LLMs เมื่อเปรียบเทียบโดยตรง

ผู้เขียนกล่าวว่าพวกเขาหวังว่าข้อค้นพบนี้จะเปิดทางสู่การสร้างมาตรฐานเปรียบเทียบที่ชัดเจนระหว่างระบบควอนตัมและ LLMs ในปัญหาที่ยากเหล่านี้ คำถามที่ยังเปิดอยู่ที่พวกเขาระบุ ได้แก่ ปัญหาใดที่ทำให้วงจรควอนตัมเชิงตื้นแยกจากโมเดลที่มีพลังมากกว่า LLMs และวงจรควอนตัมที่มีข้อจำกัดน้อยกว่าจะเปรียบเทียบอย่างไร เป้าหมายระยะยาวที่พวกเขาตั้งไว้คือการวางแผนภาพรวมของการแยกแยะที่ไม่มีเงื่อนไขระหว่างการคำนวณควอนตัมและคลาสสิกทั่วไป ซึ่งพวกเขาอธิบายว่าเป็นเป้าหมายที่ยังอยู่ห่างไกล

ในระหว่างนี้ พวกเขาเขียนว่า งานวิจัยนี้ควรเป็นแรงบันดาลใจให้พัฒนาข้อกำหนดและการประยุกต์ใช้สำหรับการคอมพิวเตอร์ควอนตัม เนื่องจากบางปัญหาอยู่นอกขอบเขตของสถาปัตยกรรม LLM ที่ศึกษา แต่ยังสามารถแก้ได้โดยโมเดลคอมพิวเตอร์ควอนตัมที่ทนต่อข้อผิดพลาดได้ แม้จำกัด ผู้เขียนยังเสนอความเป็นไปได้ว่าการคอมพิวเตอร์ควอนตัมอาจในที่สุดเสริมระบบ AI คลาสสิก ทำให้สามารถจัดการงานที่ต้องการทรัพยากรการคำนวณมากกว่ามากได้ และพวกเขาแสดงความมุ่งมั่นต่ออนาคตของการคอมพิวเตอร์ไฮบริดควอนตัม‑คลาสสิกที่เต็มรูปแบบ