IBM Research доводить, що квантові схеми перевершують великі мовні моделі у двох задачах

IBM Research 15 вересня 2026 року опублікувала доповідь про роботу, що доводить безумовні теоретичні розділення між мілкими квантовими схемами та великими мовними моделями: одну функціональну задачу та одну задачу вибірки, для яких мілкі квантові схеми мають доведений перевагу над LLM.

У підписі публікації вказані Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta та Ryan Mandelbaum. У ній описується стаття “Separating quantum circuits from classical LLMs,” автори якої – Arunachalam, Dutt, Krovi та Sengupta, яка була розміщена на arXiv 4 серпня 2026 року і має 60 сторінок з шістьма рисунками. Анотація позиціонує роботу як ініціативу вивчення квантової переваги в еру великих мовних моделей. Автори характеризують результати як теоретичні, а не одразу практичні, вказуючи на розрив між зрілим, масштабним обладнанням, що стоїть за сучасними LLM, та схильними до помилок квантовими комп’ютерами, які доступні сьогодні.

Лінія досліджень з 2018 року до LLM

Робота продовжує лінію досліджень мілких квантових схем, у яких глибина схеми залишається сталою при збільшенні кількості кубітів. Результат 2018 року, опублікований у журналі Science дослідниками IBM Сергієм Браві, Девідом Госетом та Робертом Кенігом, продемонстрував, що певна модель мілких квантових схем може розв’язувати конкретні задачі пошуку, які неможливо розв’язати жодною порівнянною мілкою класичною схемою. За роки, що минули, дослідники послідовно посилювали це розділення проти все більш виразних моделей класичної обчислювальної техніки, тоді як квантова сторона залишалася мілкою, згідно з дописом.

З огляду на всюдисущість LLM у обчислювальних завданнях, автори шукали розділення для двох базових типів задач. Функціональні задачі передбачають обчислення значення функції, повернення правильного результату для заданого входу, наприклад отримання конкретної інформації у відповідь на запит. Задачі вибірки передбачають генерування вихідного результату згідно з бажаним розподілом ймовірностей, наприклад створення нового тексту або зображень у відповідь на запит.

Одне функціональне та одне розділення за вибіркою

Функціональне розділення: ітеративна індексна функція

У випадку функціональної задачі стаття зосереджується на трансформерах лише з декодером, архітектурі, що лежить в основі багатьох провідних LLM, включаючи GPT, Claude та Llama. Трансформер токенізує вхідний текст, вбудовує токени у послідовність векторів і багаторазово переваговажить ці вектори через кілька шарів, використовуючи навчені параметри та механізм скалярного добутку, званий увагою. Моделі лише з декодером генерують нові токени послідовно у відповідь на підказку.

Раніше дослідження складності трансформерів виявило ітеративну індексну функцію як задачу, що вимагає значних обчислювальних ресурсів. У дописі це ілюструється індексним записом у задній частині однієї книги, який вказує на індексний запис у другій книзі, який у свою чергу вказує на запис у третій, і так далі; задача полягає у визначенні, де закінчується цей ланцюжок посилань після багатьох послідовних книг.

Адаптація раннього результату дала нижню межу, що показує, що розв’язання ітеративної індексної задачі вимагає достатньо великих обчислювальних ресурсів від трансформерів. Автори потім продемонстрували, що задача розв’язується квантовою схемою майже постійної глибини, доповненою одним класичним логічним елементом AND, і що цю глибину неможливо зробити справді постійною. В анотації зазначено, що функція обчислюється в O(log log n)-глибинних QNC^0 схемах з одним класичним елементом AND, застосованим після, тоді як будь-який мілкий трансформер лише з декодером, що обчислює її, повинен мати ширину n^Ω(1).

Розділення за вибіркою: парність та дифузійні мовні моделі

Другий результат стосується розподільчих задач, найкращі відомі приклади яких виникають у генерації зображень, що здійснюються дифузійними моделями, такими як DALL·E та Stable Diffusion. У статті досліджуються дифузійні мовні моделі, які навчаються шляхом додавання випадкового шуму до тексту та навчання його усунення крок за кроком; під час тестування вони стартують з шуму і поступово його видаляють, доки вихід не набуде бажаної форми.

Класична задача тут, парність‑вибірка, схожа на ту, яку Браві та його співавтори використали для порівняння квантових та класичних мілких схем у 2018 році. Дано рядок з 0 та 1, парність запитує, чи містить рядок парну чи непарну кількість одиниць. Мілка квантова схема може використати заплутаність та інтерференцію, щоб передбачити парність невідомого рядка і таким чином ефективно генерувати рядки заданої парності.

Попередні дослідження показали обмеження щодо того, наскільки добре моделі дифузійної мови можуть вирішувати версію цієї задачі вибірки, проте ці результати не охоплювали моделі, оснащені ланцюжком міркувань, у яких модель генерує та опрацьовує проміжні токени, здатність, яку раніше дослідження зазвичай вважали значно підвищуючою ефективність моделей. Автори довели, що навіть коли моделі дифузійної мови надається доступ до певної кількості ланцюжка міркувань, вона все одно не може ефективно збігатися з розподілом, який генерує поверхневий квантовий контур. В анотації також зазначено, що існує розподіл, який можна згенерувати константно‑глибокими схемами QNC^0, і жодна модель дифузійної мови з константною кількістю раундів, що використовує поверхневий планувальник і денойзинг, не може згенерувати його на постійній відстані, навіть за умови сублінійного ланцюжка міркувань та дозволеного перегляду та повторного маскування вихідних токенів.

Обмеження та наступні напрямки

Автори описують роботу як суто теоретичну, що складається з математичних доведень. Вони визнають, що сучасні квантові комп’ютери обмежені у своїх можливостях і схильні до шуму та помилок, тоді як класичні LLM мають доступ до передового обчислювального обладнання у великих масштабах. Робота не визначає конкретний масштаб, при якому квантові системи перевершать LLM у розглянутих задачах; автори стверджують лише, що асимптотично квантові контури будуть перевершувати LLM при прямому порівнянні.

Автори зазначили, що сподіваються, що отримані інсайти відкриють шлях до конкретних еталонних тестів, які порівнюватимуть квантові системи та LLM у цих складних задачах. Серед відкритих питань, які вони назвали, — які проблеми розділяють поверхневі квантові контури від моделей, потужніших за LLM, та як порівнюються менш обмежені квантові контури. Їх довгострокова мета — окреслити повний ландшафт безумовних розділень між повністю загальними квантовими та класичними обчисленнями, мету, яку вони описують як ще далеку від реалізації.

Тим часом, як вони зазначають, ця робота має стимулювати розробку алгоритмів і застосувань для квантових обчислень, оскільки деякі задачі виходять за межі можливостей вивчених архітектур LLM, залишаючись при цьому розв’язними навіть для обмежених моделей стійких до помилок квантових обчислень. Автори також піднімають можливість того, що квантові обчислення згодом можуть доповнювати класичні системи ШІ, дозволяючи їм виконувати завдання, які інакше вимагали б значно більших обчислювальних ресурсів, і вони висловлюють оптимізм щодо майбутнього повністю реалізованих гібридних квантово‑класичних обчислень.