IBM Research, Kuantum Devrelerin İki Sorunda LLM’lerden Daha Üstün Olduğunu Kanıtladı

IBM Research, 15 Eylül 2026 tarihinde, bir rapor yayınladı sığ kuantum devreleri ile büyük dil modelleri arasındaki koşulsuz teorik ayrımları kanıtlayan çalışmayı: bir işlevsel problem ve bir örnekleme problemi, bu problemler için sığ kuantum devrelerinin LLM’lere göre kanıtlanabilir bir avantajı bulunmaktadır.

Yazının yazar satırında Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta ve Ryan Mandelbaum listelenmiştir. Arunachalam, Dutt, Krovi ve Sengupta tarafından yazılan “Separating quantum circuits from classical LLMs,” adlı makaleyi, 4 Ağustos 2026 tarihinde arXiv’e yüklendi ve 60 sayfa ile altı şekil içermektedir. Özet, çalışmayı büyük dil modelleri çağında kuantum avantajı araştırmasının başlatılması olarak çerçeveliyor. Yazarlar sonuçları hemen uygulanabilir olmaktan çok teorik olarak tanımlıyor ve modern LLM’lerin arkasındaki olgun, büyük ölçekli donanım ile mevcut hata eğilimli kuantum bilgisayarlar arasındaki boşluğa işaret ediyor.

2018’den LLM’lere Kadar Bir Araştırma Çizgisi

Bu çalışma, kuantum devrelerinin derinliği, kuant sayısı arttıkça sabit kalan sığ kuantum devreleri üzerine bir araştırma hattını izlemektedir. IBM araştırmacıları Sergey Bravyi, David Gosset ve Robert König tarafından 2018 yılında Science dergisinde yayınlanan bir sonuç, sabit derinlikli kuantum devrelerinin belirli arama problemlerini, karşılaştırılabilir sabit derinlikli klasik devrelerin çözemediği şekilde çözebileceğini göstermiştir. O zamandan beri, araştırmacılar bu ayrımı giderek daha ifade gücü yüksek klasik hesaplama modellerine karşı sürekli güçlendirmiş, kuantum tarafı ise sığ kalmaya devam etmiştir, gönderiye göre.

LLM’lerin hesaplama görevlerindeki yaygınlığı göz önüne alındığında, yazarlar iki temel problem türü için ayrımlar aradılar. İşlevsel problemler, bir fonksiyonun değerini hesaplamayı, verilen bir girdi için doğru çıktıyı döndürmeyi içerir; örneğin bir komuta yanıt olarak belirli bir bilgiyi almak. Örnekleme problemleri ise istenen bir olasılık dağılımına göre çıktı üretmeyi kapsar; örneğin bir komuta yanıt olarak yeni metin veya görüntü üretmek.

Bir İşlevsel ve Bir Örnekleme Ayrımı

İşlevsel Ayrım: Yinelenen Dizin Fonksiyonu

İşlevsel durum için, makale GPT, Claude ve Llama gibi önde gelen birçok LLM’nin temelini oluşturan sadece kod çözücü (decoder-only) transformer’lara odaklanmaktadır. Bir transformer, ham girdiyi token’lara ayırır, token’ları bir vektör dizisi olarak gömer ve öğrenilmiş parametreler ve dikkat (attention) adı verilen ölçekli nokta çarpımı mekanizmasıyla bu vektörleri birden çok katmanda tekrar tekrar yeniden ağırlıklandırır. Sadece kod çözücü modeller, bir komuta yanıt olarak yeni token’ları sıralı bir şekilde üretir.

Transformer’lar üzerine önceki karmaşıklık araştırmaları, yinelenen dizin fonksiyonunu önemli ölçüde hesaplama kaynağı gerektiren bir problem olarak tanımlamıştı. Gönderi, bir kitabın arkasındaki bir dizin girdisinin ikinci bir kitaptaki bir dizin girdisine, oradan da üçüncü bir kitaba işaret etmesi gibi bir örnekle bunu gösteriyor; problem, bu referans zincirinin birçok ardışık kitaptan sonra nerede sona erdiğini sorar.

Önceki sonucu uyarlamak, yinelenen dizin problemini çözmenin transformer’lardan yeterince büyük bir hesaplama kaynağı gerektirdiğini gösteren bir alt sınır sağladı. Yazarlar daha sonra problemin, tek bir klasik AND kapısı eklenmiş neredeyse sabit derinlikli bir kuantum devresiyle çözülebileceğini ve bu derinliğin gerçekten sabit hâle getirilemeyeceğini gösterdiler. Özet, fonksiyonun tek bir klasik AND kapısı uygulandıktan sonra O(log log n) derinliğinde QNC^0 devrelerinde hesaplanabileceğini, buna karşılık bu fonksiyonu hesaplayan herhangi bir sabit derinlikli sadece kod çözücü transformer’ün genişliğinin n^Ω(1) olması gerektiğini belirtiyor.

Örnekleme Ayrımı: Parite ve Difüzyon Dil Modelleri

İkinci sonuç, dağıtım problemlerini ele alır; bu problemlerin en bilinen örnekleri DALL·E ve Stable Diffusion gibi difüzyon modelleriyle gerçekleştirilen görüntü üretiminde ortaya çıkar. Makale, metne rastgele gürültü ekleyerek ve bozulmayı adım adım geri almayı öğrenerek eğitilen difüzyon dil modellerini inceliyor; test aşamasında, gürültüden başlayıp çıktının istenen biçimi alana kadar onu yinelemeli olarak kaldırırlar.

Buradaki klasik problem, parite-örnekleme, Bravyi ve ortak yazarlarının 2018’de kuantum ve klasik sığ devreleri karşılaştırmak için kullandıkları probleme benzer. 0 ve 1’lerden oluşan bir dizi verildiğinde, parite, dizinin çift mi yoksa tek mi sayıda 1 içerdiğini sorar. Sabit derinlikli bir kuantum devresi, dolaşıklık ve girişim kullanarak bilinmeyen bir dizinin paritesini tahmin edebilir ve böylece istenen paritede dizileri verimli bir şekilde örnekleyebilir.

Önceki çalışmalar, difüzyon dil modellerinin bu örnekleme probleminin bir versiyonunu ne kadar iyi çözebileceği konusunda sınırlamalar olduğunu göstermişti, ancak bu sonuçlar zincir‑düşünce (chain‑of‑thought) özelliğine sahip modelleri kapsamıyordu; bu özellik, bir modelin ara tokenlar üretip bunlar üzerinden ilerlemesini sağlar ve önceki araştırmalar genellikle bu yeteneğin modelleri önemli ölçüde daha yetkin kıldığını bulmuştur. Yazarlar, bir difüzyon dil modeline belirli bir miktarda zincir‑düşünce verildiğinde bile, sığ kuantum devresinin ürettiği dağılımla verimli bir şekilde eşleşemeyeceğini kanıtladılar. Özet ayrıca, sabit‑derinlikli QNC^0 devreleri tarafından örneklenebilen bir dağılımın, sığ zamanlama ve gürültü giderme kullanan sabit‑turda difüzyon dil modeli tarafından, sabit bir mesafede, hatta alt‑lineer zincir‑düşünce ve çıktı‑token revizyonu ve yeniden maskeleme izinleri verilse bile örneklenemeyeceğini belirtmektedir.

Sınırlamalar ve Gelecek Yönler

Yazarlar, çalışmanın kesinlikle teorik olduğunu ve matematiksel kanıtlardan oluştuğunu belirtiyorlar. Mevcut kuantum bilgisayarlarının yeteneklerinin sınırlı olduğunu ve gürültü ve hatalara maruz kaldığını kabul ederken, classical LLMs ölçekli bir şekilde en son teknoloji bilgisayar donanımına erişime sahiptir. Çalışma, kuantum sistemlerinin incelenen belirli problemler üzerinde LLM’leri ne zaman geçeceğine dair kesin bir ölçek belirlememektedir; yazarlar yalnızca asimptotik olarak, iki sistem doğrudan karşılaştırıldığında kuantum devrelerinin LLM’leri geride bırakacağını ifade etmektedir.

Yazarlar, bu içgörülerin, kuantum sistemleri ile LLM’leri bu zor problemler üzerinde karşılaştıran somut ölçütlerin yolunu açmasını umduklarını belirtiyorlar. Açık sorular arasında, sığ kuantum devrelerini LLM’lerden daha güçlü modellere ayıran problemler ve daha az kısıtlı kuantum devrelerinin nasıl karşılaştırıldığı yer alıyor. Belirttikleri uzun vadeli hedef, tamamen genel kuantum ve klasik hesaplamalar arasındaki koşulsuz ayrımları tam bir manzara haritası şeklinde ortaya koymaktır; bu hedefin hâlâ uzun bir yol olduğu vurgulanmaktadır.

Bu arada, yazarlar, bazı problemler incelenen LLM mimarilerinin erişemeyeceği bir seviyede kalırken, hata toleranslı kuantum bilgisayarının sınırlı modelleri için hâlâ çözülebilir olduğu göz önüne alındığında, çalışmanın kuantum bilişim için algoritma ve uygulama geliştirilmesini teşvik etmesi gerektiğini yazıyorlar. Ayrıca, kuantum hesaplamanın sonunda klasik yapay zeka sistemlerini destekleyebileceği, böylece aksi takdirde çok daha büyük hesaplama kaynakları gerektirecek görevleri üstlenebileceği ihtimalini ortaya koyuyor ve tamamen gerçekleşmiş hibrit kuantum‑klasik hesaplamanın geleceği konusunda iyimser olduklarını belirtiyorlar.