IBM Research ha dimostrato due separazioni teoriche incondizionate tra circuiti quantistici poco profondi e modelli linguistici, individuando un problema funzionale e un problema di sampling nei quali specifiche classi di circuiti quantistici possiedono un vantaggio matematicamente dimostrabile rispetto agli LLM studiati. Il lavoro, sviluppato da Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi e Rik Sengupta, è descritto nel paper “Separating quantum circuits from classical LLMs”, pubblicato su arXiv il 4 agosto 2026. I risultati non dimostrano che gli attuali computer quantistici siano complessivamente più potenti degli LLM né stabiliscono un vantaggio pratico immediato, ma mostrano che esistono problemi ben definiti che alcune architetture quantistiche possono risolvere con risorse asintoticamente inferiori rispetto alle classi di modelli linguistici considerate.
Il lavoro prosegue una linea di ricerca iniziata almeno nel 2018, quando Sergey Bravyi, David Gosset e Robert König di IBM avevano mostrato che alcuni circuiti quantistici a profondità costante possono risolvere determinati problemi di ricerca che circuiti classici comparabili, anch’essi a profondità costante, non riescono a risolvere efficientemente. Negli anni successivi la separazione è stata estesa a modelli classici progressivamente più espressivi, mantenendo invece limitata la profondità dei circuiti quantistici. Con la diffusione dei large language model come strumenti di calcolo, reasoning e generazione, i ricercatori hanno quindi analizzato se fosse possibile dimostrare separazioni analoghe rispetto ad alcune architetture alla base degli attuali sistemi linguistici.
La prima separazione riguarda un problema funzionale, cioè un compito nel quale a un determinato input deve corrispondere un output corretto. L’analisi considera in particolare i transformer decoder-only, architettura utilizzata da numerosi modelli linguistici autoregressivi. Il problema scelto è la iterated index function, già nota nella teoria della complessità per richiedere risorse significative ai transformer. Il funzionamento può essere rappresentato come una catena di riferimenti: un indice rimanda a una posizione contenuta in un secondo insieme di dati, questa rimanda a una terza e così via, mentre il sistema deve determinare dove termina la sequenza dopo una serie di passaggi successivi.
IBM ha dimostrato che la iterated index function può essere calcolata mediante circuiti quantistici QNC⁰ con profondità O(log log n), accompagnati alla fine da una singola porta AND classica. La profondità non può quindi essere resa completamente costante, ma cresce molto lentamente all’aumentare della dimensione dell’input. Per un transformer decoder-only a profondità costante che debba calcolare la stessa funzione, il lavoro stabilisce invece che la larghezza del modello deve crescere almeno come n^Ω(1). La separazione riguarda quindi le risorse computazionali necessarie alle due classi di sistemi per risolvere lo stesso problema all’aumentare della sua dimensione, non un confronto tra tempi di risposta di hardware quantistico e GPU attualmente disponibili.
La seconda separazione riguarda invece un problema di sampling, cioè la capacità di produrre campioni che seguano una determinata distribuzione di probabilità. Questo tipo di problema è particolarmente rilevante per i sistemi generativi, nei quali il risultato non consiste necessariamente in un’unica risposta corretta ma deve rispettare una determinata distribuzione. I ricercatori hanno analizzato i diffusion language model, modelli che durante l’addestramento imparano a ricostruire testo progressivamente corrotto dal rumore e che, durante la generazione, partono da uno stato rumoroso per ottenere gradualmente una sequenza coerente.
Il problema utilizzato è il parity sampling. Data una sequenza di bit, la parità indica se il numero di valori pari a 1 sia pari oppure dispari. I circuiti quantistici possono utilizzare sovrapposizione, entanglement e interferenza per produrre efficientemente campioni appartenenti a una distribuzione con una determinata parità. Precedenti lavori avevano già mostrato limiti dei diffusion language model in compiti di questo tipo, ma rimaneva aperta la questione relativa ai modelli dotati di chain-of-thought, che possono produrre token intermedi e utilizzare questi passaggi aggiuntivi come risorsa computazionale durante la generazione.
Il nuovo risultato mostra che la separazione continua a esistere anche concedendo ai diffusion language model una quantità sublineare di chain-of-thought. In particolare, esiste una distribuzione che può essere campionata da circuiti quantistici QNC⁰ a profondità costante ma che un diffusion language model con un numero costante di round, scheduling e denoising poco profondi non può riprodurre efficientemente entro una distanza costante dalla distribuzione desiderata. Il limite rimane valido anche consentendo al modello di utilizzare chain-of-thought sublineare e di rivedere o mascherare nuovamente i token già prodotti durante il processo generativo.
Entrambi i risultati sono di natura puramente teorica e derivano da dimostrazioni matematiche, non da esperimenti nei quali un computer quantistico attuale abbia effettivamente eseguito più velocemente un determinato workload rispetto a un LLM commerciale. Gli stessi ricercatori sottolineano la forte asimmetria tra le piattaforme disponibili oggi: i modelli linguistici vengono eseguiti su infrastrutture classiche mature e altamente scalabili, mentre i computer quantistici attuali rimangono limitati dal rumore, dagli errori e dalla disponibilità di hardware fault-tolerant sufficientemente grande. Il lavoro non stabilisce inoltre una dimensione precisa dell’input oltre la quale un sistema quantistico reale supererebbe concretamente un LLM sui due problemi analizzati.
La conclusione riguarda quindi il comportamento asintotico delle architetture. All’aumentare della dimensione dei problemi, i circuiti quantistici analizzati mantengono un vantaggio teorico rispetto alle classi di modelli considerate, fornendo una separazione indipendente da ipotesi non dimostrate sulla complessità computazionale. IBM considera questo risultato un primo passo verso benchmark più concreti nei quali confrontare sistemi quantistici e modelli linguistici su problemi per i quali esista già una differenza teorica nota tra le risorse necessarie.
Tra le questioni ancora aperte rientra la possibilità di trovare separazioni analoghe rispetto a sistemi classici più potenti degli LLM studiati, oltre al confronto con circuiti quantistici meno vincolati in termini di profondità e struttura. L’obiettivo più ampio è costruire una mappa delle separazioni incondizionate tra computazione quantistica e classica, arrivando progressivamente a modelli sempre più generali. I ricercatori riconoscono tuttavia che una caratterizzazione completa della differenza tra computazione quantistica generale e computazione classica generale rimane ancora lontana.
Il lavoro apre inoltre alla possibilità di utilizzare in futuro computazione quantistica e intelligenza artificiale classica in maniera complementare. Se determinati sottoproblemi richiedessero risorse eccessive a un modello classico ma risultassero più efficientemente gestibili da un circuito quantistico, un sistema ibrido potrebbe delegare al componente quantistico specifiche fasi del calcolo e utilizzare i modelli classici per orchestrazione, interpretazione e gestione del resto del workflow. IBM indica proprio l’integrazione tra sistemi quantistici e classici come una delle direzioni a lungo termine che potrebbero emergere da una migliore comprensione dei problemi nei quali esiste un vantaggio computazionale quantistico dimostrabile.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)