Separating quantum circuits from classical LLMs

📄 arXiv: 2608.03962v1 📥 PDF

作者: Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta

分类: quant-ph, cs.AI, cs.CC

发布日期: 2026-08-04

备注: 60 pages, 6 figures

💡 一句话要点

提出量子电路与经典大语言模型的分离方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 量子计算 大语言模型 分布分离 功能分离 计算复杂性 自然语言处理 量子优势

📋 核心要点

  1. 现有的经典语言模型在处理某些量子计算任务时存在显著的性能瓶颈，无法有效应对复杂的分布和功能计算。
  2. 论文通过构造特定的量子电路和相应的分布，展示了量子计算在某些任务上优于经典模型的理论基础。
  3. 研究结果表明，量子电路能够在常数深度内完成经典模型无法实现的任务，开启了量子计算与语言模型结合的新研究领域。

📝 摘要（中文）

现代大型语言模型（如变换器和扩散语言模型）围绕预测和生成这两个基本算法任务构建。本文证明了低深度量子计算与相应的有界资源经典语言模型架构之间的无条件分离。具体而言，我们展示了：1. 分布分离：给出一个可由$ extsf{QNC}^0$电路采样的分布，任何常数轮的扩散语言模型在常数距离内无法采样。2. 功能分离：展示了一个可在$ extsf{QNC}^0[ ext{log log } n]$中计算的函数，任何常数深度的解码器仅变换器必须具有较大的宽度。我们的工作开启了在大型语言模型时代研究量子优势的新方向。

🔬 方法详解

问题定义：本文旨在解决经典大语言模型在处理特定量子计算任务时的性能不足，尤其是在分布和功能计算方面的局限性。

核心思路：通过构造可由低深度量子电路采样的分布，证明经典模型在常数距离内无法有效处理这些分布，从而展示量子计算的优势。

技术框架：研究分为两个主要部分：分布分离和功能分离。首先，定义可由$ extsf{QNC}^0$电路采样的分布；其次，展示特定函数在量子电路中的计算能力与经典解码器的对比。

关键创新：论文的主要创新在于首次证明了低深度量子电路在特定任务上与经典语言模型之间的无条件分离，揭示了量子计算的潜在优势。

关键设计：在分布分离中，构造了特定的量子电路和分布；在功能分离中，定义了$ extsf{QNC}^0[ ext{log log } n]$电路的计算能力，并分析了其宽度要求。具体参数和设计细节在论文中详细讨论。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，构造的分布能够被$ extsf{QNC}^0$电路有效采样，而任何常数轮的扩散语言模型在常数距离内无法实现这一目标。此外，特定函数的计算需求显示出经典解码器的宽度必须达到$n^{Ω(1)}$，这表明量子计算在处理复杂任务上的显著优势。

🎯 应用场景

该研究的潜在应用领域包括量子计算与自然语言处理的结合，特别是在需要处理复杂数据分布和功能计算的任务中。未来，量子计算可能为语言模型的训练和推理带来新的突破，提升模型的智能水平和应用范围。

📄 摘要（原文）

Modern large language models - transformers and diffusion language models - are built around two canonical algorithmic tasks: prediction and generation. We prove unconditional separations between low-depth quantum computation and the corresponding bounded-resource classical language-model architectures in both regimes. Concretely, we exhibit the following: 1. Distributional separation. We give a distribution that is sampleable by $\textsf{QNC}^0$ circuits (i.e., a family of constant-depth quantum circuits consisting of bounded fan-in gates) that no constant-round diffusion language model ($\textsf{DLM}$) with shallow scheduling and denoising can sample within constant distance, even when allowed sublinear chain-of-thought and output-token revision/remasking events, the very features modern $\textsf{DLM}$s rely on. 2. Functional separation. We exhibit a function computable in $\land \circ \textsf{QNC}^0[\log\log n]$ (i.e., a family of O$(\log\log n)$-depth $\textsf{QNC}^0$ circuits, where $n$ is the input length, followed by a single classical $\mathsf{AND}$ gate) such that any constant-depth decoder-only transformer computing the function must be large: it would have to have width $n^{Ω(1)}$. Together, our work initiates the study of quantum advantage in the era of large language models.