Ученые представили доказательство того, что квантовые вычислительные системы принципиально превосходят современные архитектуры больших языковых моделей (LLM) в задачах генерации и предсказания данных. Исследование устанавливает границы вычислительных возможностей классических трансформеров, демонстрируя, что квантовые схемы способны решать определенные распределительные и генеративные задачи, недоступные для моделей с ограниченными ресурсами, даже при масштабировании классических архитектур.
Работа фокусируется на двух ключевых аспектах функционирования современных нейросетей: предсказании следующего токена и генерации последовательностей. Авторы доказывают существование задач, где квантовые алгоритмы обеспечивают «безусловное разделение» (unconditional separation) с классическими методами. Это означает, что даже при увеличении глубины или параметров классической модели, она не сможет эффективно аппроксимировать результаты, которые квантовая система выдает с высокой точностью.
Данный результат ставит под вопрос долгосрочные пределы масштабирования архитектур типа Transformer и диффузионных моделей. Хотя текущие квантовые компьютеры находятся на ранней стадии развития, теоретическое обоснование их превосходства указывает на потенциальную смену парадигмы в области генеративного ИИ. В будущем это может привести к созданию гибридных систем, где квантовые вычисления будут использоваться для решения задач, с которыми классические нейросети справляются неэффективно или с высокой погрешностью.
Ключевые факты
- Исследование доказывает математическое разделение между квантовыми схемами малой глубины и классическими языковыми моделями.
- Выявлено преимущество квантовых систем в задачах распределительной сложности и генерации данных.
- Доказательство охватывает как стандартные трансформеры, так и диффузионные языковые модели.
- Работа демонстрирует, что классические архитектуры с ограниченными ресурсами не способны воспроизвести определенные квантовые вычисления независимо от объема обучающих данных.