A computação quântica deixou de ser apenas uma promessa distante para se tornar uma frente ativa de pesquisa em inteligência artificial generativa: laboratórios e empresas já testam circuitos quânticos como geradores de distribuições de probabilidade, e fabricantes de hardware apresentam roteiros que prometem máquinas tolerantes a falhas entre o fim desta década e o início da próxima [13][14]. O interesse tem justificativa técnica concreta — modelos generativos são, no fundo, amostradores de distribuições complexas, e é exatamente nessa tarefa que computadores quânticos exibem vantagens teóricas mais bem documentadas [6][8]. A pergunta que separa o marketing da engenharia é outra: essa vantagem sobrevive ao ruído, ao custo de carregar dados e ao avanço igualmente rápido dos algoritmos clássicos? As evidências acumuladas até o fim de 2026 sugerem um cenário bem mais estreito — e mais interessante — do que o hype sugere.
O gatilho mais recente veio da própria indústria. Em setembro de 2024, Microsoft e Quantinuum anunciaram a criação de 12 qubits lógicos e a demonstração de uma simulação química híbrida de ponta a ponta no processador de íons aprisionados H2 [28]. Em dezembro do mesmo ano, o Google publicou na Nature resultados do chip Willow, de 105 qubits, mostrando correção de erros abaixo do limiar do código de superfície — o primeiro caso em que aumentar o código reduziu exponencialmente a taxa de erro [22][23]. No rastro desses anúncios, fornecedores como IonQ e Quantinuum passaram a publicar material específico sobre "LLMs potencializados por quântica", enquanto consultorias e centros de política científica começaram a modelar o impacto sobre a economia da IA [2][4][5]. É esse cruzamento — um hardware que finalmente começa a se comportar como prometido e uma indústria de IA faminta por energia e capacidade computacional — que explica por que o tema saiu dos departamentos de física e entrou na pauta de gestores de tecnologia.
O que é aprendizado de máquina quântico — e por que ele interessa à IA generativa
Aprendizado de máquina quântico (QML, na sigla em inglês) é o nome que se dá a uma família de métodos que usam sistemas quânticos para executar tarefas de aprendizado. Há duas grandes vertentes. A primeira é a dos algoritmos que rodam em computadores quânticos de propósito geral e prometem speedups assintóticos — caso do algoritmo de álgebra linear de Harrow-Hassidim-Lloyd, dos algoritmos de recomendação e dos métodos de estimativa de fase. A segunda, hoje muito mais próxima da prática, é a dos circuitos variacionais: circuitos paramétricos, com portas ajustáveis, treinados por otimização clássica em um laço híbrido — os chamados VQCs (variational quantum circuits) [6].
A conexão com IA generativa é mais direta do que parece. Um modelo generativo clássico aprende uma distribuição de probabilidade sobre dados — imagens, texto, moléculas — e depois amostra dessa distribuição para produzir conteúdo novo. Um circuito quântico, por construção, prepara um estado cuja medição produz amostras segundo uma distribuição de probabilidade definida pelas amplitudes do estado. Ou seja: um circuito quântico parametrizado é, literalmente, um modelo generativo — um objeto que codifica uma distribuição e da qual se pode amostrar [8]. A questão é se essa distribuição pode ser mais rica, mais difícil de simular classicamente e mais eficiente de treinar do que as redes neurais tradicionais.
Há ainda uma segunda interface, menos glamourosa e mais imediatamente útil: usar IA clássica para projetar e operar computadores quânticos. Um artigo de revisão publicado na Nature Communications em 2025, assinado por Yuri Alexeev e um conjunto amplo de coautores, documenta como modelos de linguagem e modelos visão-linguagem vêm sendo empregados para calibrar hardware, sintetizar circuitos, depurar experimentos e automatizar fluxos de trabalho em laboratórios de quântica [3]. O tráfego é intenso nos dois sentidos — e essa assimetria é frequentemente ignorada no debate público.
O interesse da IA generativa, portanto, se concentra em três frentes: substituir ou acelerar primitivas de álgebra linear que dominam o custo de treino e inferência; gerar dados sintéticos a partir de simulações quânticas de altíssima fidelidade; e servir como proposta de arquitetura inteiramente nova para modelos generativos [1][4].
Modelos generativos quânticos: do QCBM às máquinas de Boltzmann
A arquitetura mais estudada é a Quantum Circuit Born Machine (QCBM). O nome é uma homenagem às máquinas de Boltzmann restritas: em vez de uma rede neural que parametriza uma função de energia, um QCBM usa um circuito quântico parametrizado cujas amplitudes, após a medição, definem uma distribuição de Born — daí o nome. O treinamento ajusta os parâmetros do circuito para minimizar uma divergência entre a distribuição gerada e a distribuição empírica dos dados, usando o próprio computador quântico para estimar gradientes ou valores da função de perda [8].
A segunda família é a das QGANs, redes adversárias generativas quânticas. A estrutura é análoga à das GANs clássicas: um gerador — o circuito quântico — tenta produzir amostras indistinguíveis dos dados reais, enquanto um discriminador tenta separá-las. A diferença é que gerador, discriminador ou ambos podem ser circuitos quânticos, o que dá origem a variantes híbridas quântico-clássicas [6]. A terceira família reúne as máquinas de Boltzmann quânticas, que substituem unidades clássicas por spins ou qubits e, em princípio, podem explorar tunelamento quântico para escapar de mínimos locais durante a amostragem.
O que os experimentos efetivamente mostraram? Um estudo de caracterização publicado no arXiv comparou QCBMs e QGANs em tarefas controladas de aprendizado de distribuições e chegou a uma conclusão sóbria: ambas as arquiteturas conseguem aprender distribuições-alvo em regimes pequenos, mas o desempenho é fortemente sensível à arquitetura do circuito, ao método de treinamento e ao ruído do dispositivo — e não há evidência de superioridade sistemática sobre modelos generativos clássicos de porte equivalente [6]. Trabalhos posteriores estenderam o QCBM para versões condicionais, capazes de controlar os modos da distribuição gerada — um passo necessário para qualquer aplicação prática, como gerar uma imagem a partir de um rótulo ou uma molécula a partir de um conjunto de propriedades desejadas [9]. Ainda assim, os conjuntos de dados testados permanecem minúsculos em comparação com o que um LLM consome.
Vale registrar o que essas arquiteturas não são. Nenhum QCBM treinado até hoje chega perto de gerar texto coerente; nenhuma QGAN publicada produziu imagens em resolução comparável à de um modelo de difusão moderno. O que existe são provas de conceito em que a distribuição-alvo é, por construção, difícil de representar classicamente — o que torna o experimento interessante do ponto de vista científico e ainda distante do ponto de vista de produto [7].
Onde o ganho pode ser real: amostragem, álgebra linear, otimização e dados sintéticos
A pergunta produtiva não é "quântica vai substituir GPUs?", mas "em quais subtarefas da pilha de IA a quântica tem vantagem teórica demonstrável, e sob quais condições?". Quatro frentes se destacam.
Amostragem de distribuições difíceis. É o terreno mais favorável. A amostragem de distribuições que se acredita serem intratáveis classicamente está na base de demonstrações como o quantum supremacy em circuitos aleatórios — e é também o coração de um modelo generativo. Se uma distribuição relevante para dados reais puder ser aprendida e amostrada eficientemente por um circuito quântico, há ganho. O problema é que as distribuições naturais (texto, imagem) não têm, até hoje, estrutura conhecida que as torne exploráveis por circuitos rasos [6][8].
Álgebra linear. Treinar e executar redes neurais é, em larga medida, multiplicar matrizes. Algoritmos quânticos de álgebra linear oferecem speedups exponenciais sob premissas específicas — em particular, acesso a dados em superposição via estruturas de memória quântica e números de condicionamento bem comportados. O detalhe das premissas é o que separa a promessa da realidade, e será tratado na seção seguinte [33].
Otimização. O treinamento de modelos é um problema de otimização não convexa de altíssima dimensão. Aqui a teoria é menos generosa do que o senso comum sugere: não há prova de vantagem quântica geral para otimização não convexa, e resultados recentes endureceram os limites do que se pode esperar. A cobertura da indústria em novembro de 2026 registrou uma prova assistida por IA que resolveu uma conjectura aberta desde 2008 sobre quando computadores quânticos podem obter vantagens enormes — estabelecendo limites mais precisos para essa classe de problemas [16]. Traduzindo: otimização é uma aposta plausível em nichos estruturados, não um cheque em branco.
Simulação de química e materiais para gerar dados. Esta é, talvez, a frente mais subestimada. Computadores quânticos são, por natureza, simuladores de sistemas quânticos — e moléculas e materiais são sistemas quânticos. A simulação de estrutura eletrônica pode gerar dados de altíssima fidelidade sobre propriedades de compostos que não existem ou que são caros demais para sintetizar. Esses dados, por sua vez, alimentam modelos generativos clássicos que propõem novas moléculas, catalisadores ou baterias. Um relatório do CETAS, centro de estudos do Alan Turing Institute, descreve exatamente esse fluxo: treinar um modelo de IA em um conjunto de dados sintéticos gerado por quântica pode permitir que ele generalize e faça previsões precisas em um espaço muito mais amplo do que o disponível com dados experimentais [4]. A demonstração de 12 qubits lógicos de Microsoft e Quantinuum foi apresentada justamente como um passo em direção a simulações químicas de ponta a ponta com relevância prática [28].
É importante notar que essa frente produz valor mesmo que os computadores quânticos nunca se tornem rápidos: o dado sintético gerado por simulação quântica é útil hoje, em escalas modestas, para enriquecer conjuntos de treino em descoberta de fármacos e materiais [4].
Como chegamos aqui: uma breve história de promessas e recuos
O entusiasmo atual tem antecedentes que ajudam a calibrar expectativas. Em 2018, Ewin Tang, então estudante de graduação na Universidade de Washington, publicou um algoritmo clássico que reproduzia o speedup exponencial que o algoritmo quântico de sistemas de recomendação de Kerenidis e Prakash prometia [24]. O feito inaugurou uma linhagem de pesquisa conhecida como "desquantização": a substituição de algoritmos quânticos por equivalentes clássicos com complexidade semelhante. Na tese em que consolidou o programa, Tang desquantizou oito algoritmos de aprendizado de máquina quântico presentes na literatura, incluindo sistemas de recomendação e programação semidefinida de posto baixo [25].
O episódio não invalidou a computação quântica — invalidou uma classe específica de argumentos. A lição, amplamente discutida desde então, é que muitos speedups quânticos para aprendizado de máquina dependiam de premissas sobre acesso a dados (o modelo de memória quântica) que, quando relaxadas, permitiam soluções clássicas igualmente boas [33]. Foi um recuo intelectualmente saudável: obrigou a área a especificar com precisão de onde viria a vantagem.
Paralelamente, a década de 2010 viu a consolidação do paradigma variacional, impulsionado pela disponibilidade de primeiros processadores NISQ (do inglês noisy intermediate-scale quantum). A ideia era extrair utilidade de chips ruidosos de dezenas de qubits por meio de laços híbridos de otimização. Foi nesse contexto que surgiram os QCBMs e as QGANs, justamente como tentativas de aplicar circuitos rasos a tarefas de aprendizado [6]. O ciclo de expectativas e correções q
ue se seguiu é o pano de fundo indispensável para ler com ceticismo os anúncios de 2026.
Os obstáculos honestos: dados, barren plateaus, ruído e desquantização
Nenhuma discussão séria sobre o tema pode omitir cinco problemas que, hoje, limitam o campo de forma decisiva.
Carregamento de dados e QRAM. Um computador quântico só processa informação que esteja em um estado quântico. Converter um corpus de trilhões de tokens em amplitudes quânticas é, em geral, exponencialmente caro — a menos que exista uma estrutura de memória quântica de acesso aleatório (QRAM) capaz de preparar esses estados em tempo logarítmico. Construir QRAM em escala é um problema de engenharia sem solução demonstrada. Esse gargalo, frequentemente chamado de data loading bottleneck, é apontado como um dos principais limitadores práticos do QML [33]. Ele também é a premissa escondida por trás de muitos speedups teóricos — e o alvo preferido dos argumentos de desquantização [33].
Barren plateaus. Em circuitos variacionais suficientemente expressivos e profundos, o gradiente da função de custo tende a se concentrar exponencialmente perto de zero à medida que o número de qubits cresce. O efeito foi identificado formalmente em 2018 e batizado de "planície árida": o otimizador não encontra direção de melhoria porque não há sinal. O resultado é que o treinamento se torna inviável em escala — justamente onde a vantagem quântica apareceria [10][11]. Há mitigação parcial por escolhas de arquitetura, inicialização, funções de custo locais e, mais recentemente, uso de modelos de linguagem clássicos para orientar a inicialização e reduzir o problema [12]. Mas não há solução geral conhecida.
Ruído da era NISQ. Dispositivos atuais sofrem erros de porta e de leitura, decoerência e crosstalk. Circuitos generativos são especialmente sensíveis: amostrar uma distribuição requer manter coerência ao longo de todo o circuito, e qualquer erro enviesa a distribuição produzida. É por isso que a demonstração de correção de erros abaixo do limiar do Google tem peso desproporcional — ela não melhora um modelo generativo diretamente, mas sinaliza que a plataforma na qual esses modelos serão construídos está começando a ficar confiável [22][23].
Desquantização. Como visto, uma parte relevante dos algoritmos de QML tem equivalentes clássicos competitivos. O ônus da prova recai sobre quem propõe um modelo quântico: é preciso demonstrar vantagem contra o melhor algoritmo clássico conhecido, não contra o que existia quando o artigo quântico foi escrito [24][25]. Esse é um alvo móvel, e ele se move rápido.
Custo e escala. Há, por fim, a aritmética menos discutida: comparar um chip supercondutor de 105 qubits com um cluster de GPUs que consome dezenas de megawatts. Roteiros industriais falam em centenas ou milhares de qubits lógicos apenas em 2029 ou depois [13][30]. Enquanto isso, a inferência de LLMs é executada por hardware clássico cuja economia já está amortizada em escala planetária.
O que já existe hoje: híbridos e algoritmos inspirados em quântica
Há uma ironia produtiva nesse debate: a contribuição mais concreta da computação quântica para a IA generativa, até agora, vem de métodos que rodam em computadores clássicos.
As redes tensoriais são o exemplo mais eloquente. Elas nasceram na física da matéria condensada, como ferramentas para representar estados quânticos emaranhados de forma compacta, e se mostraram um formalismo eficiente para comprimir objetos de altíssima dimensionalidade — exatamente o problema de representar as matrizes de pesos de um LLM [19]. A empresa espanhola Multiverse Computing desenvolveu o CompactifAI, um método de compressão de LLMs baseado em redes tensoriais que reduz tamanho, memória e espaço de armazenamento mantendo a acurácia do modelo [18][21]. Os resultados foram apresentados na conferência ESANN em 2025, e o método pode ser combinado com a quantização clássica para comprimir ainda mais [18]. Outros grupos foram além e propuseram integrar circuitos quânticos a LLMs pré-treinados por meio de "desemaranhadores" de rede tensorial, uma arquitetura híbrida que insere blocos quânticos em um modelo clássico [20].
A otimização variacional também já tem usos industriais, ainda que modestos: problemas de roteamento, finanças e química computacional são resolvidos por circuitos rasos em laços híbridos, com resultados que às vezes igualam — e raramente superam — heurísticas clássicas. A própria Quantinuum publicou dados do processador H2-1, com 56 qubits de íons aprisionados totalmente conectados, alegando execução de random circuit sampling com estimativa de redução de 30 mil vezes no consumo de energia em comparação à simulação clássica [27][29]. É uma métrica de nicho, mas relevante em um momento em que a eficiência energética da IA virou restrição de primeira ordem.
Há também os modelos híbridos anunciados por fornecedores. A IonQ descreveu em seu blog um modelo híbrido que usa computação quântica para refinar o aprendizado profundo de LLMs [2], e a Quantinuum sustenta publicamente que computadores quânticos tornarão a IA mais precisa e permitirão crescimento escalável e sustentável [5]. São sinais de direção, não resultados revisados por pares em escala.
Hardware em 2026: quem está onde
O mapa industrial se organiza em quatro plataformas principais, com roteiros públicos que permitem comparação — e ceticismo.
Google. Com o Willow, de 105 qubits supercondutores, o Google demonstrou supressão exponencial de erros ao aumentar o código de superfície, resultado publicado na Nature em dezembro de 2024 [22][23]. É o marco técnico mais importante da década para a área, porque ataca o problema central: erros. Em 22 de outubro de 2025, a empresa publicou na Nature o algoritmo Quantum Echoes, também rodado no Willow: um cálculo de correlador fora de ordem temporal (OTOC, na sigla em inglês) 13 mil vezes mais rápido que o melhor método clássico executado em um supercomputador, apresentado como a primeira vantagem quântica verificável. Numa prova de conceito com a UC Berkeley, a técnica ajudou a estudar moléculas de 15 e 28 átomos [32]. A ressalva é importante: o ganho vale para essa tarefa específica de física, não para IA generativa nem para qualquer carga de trabalho geral. O roteiro da empresa aponta para máquinas tolerantes a falhas em escala crescente ao longo do fim da década.
IBM. A IBM publicou um roteiro detalhado para computação quântica tolerante a falhas em larga escala, com marcos nomeados. O sistema Starling, previsto para 2029, deve entregar cerca de 200 qubits lógicos e 100 milhões de portas; o Blue Jay, na sequência, aponta para 2.000 qubits lógicos e 1 bilhão de portas [13]. A empresa também popularizou a noção de "vantagem quântica útil", a ideia de que o primeiro proveito real virá de problemas de química e ciência de materiais, não de IA generativa.
Quantinuum. Íons aprisionados. O H2-1, de 56 qubits totalmente conectados e fidelidades altas [27][29], foi superado em 5 de novembro de 2025 pelo Helios, lançado comercialmente com 98 qubits de íons de bário totalmente conectados, fidelidade de 99,921% em portas de dois qubits e 48 qubits lógicos corrigidos; a empresa o apresenta como plataforma para "IA quântica generativa" (GenQAI), e o sucessor, Apollo, está previsto para 2029 [31]. Em parceria com a Microsoft, a companhia já havia atingido 12 qubits lógicos e demonstrado uma simulação química híbrida de ponta a ponta — um dos resultados mais concretos de aplicação [28].
IonQ. Íons aprisionados, com roteiro agressivo: 2 milhões de qubits físicos e 80.000 qubits lógicos até 2030 [30]. A empresa usa a métrica proprietária de "qubits algorítmicos" para comunicar desempenho, o que dificulta comparações diretas com concorrentes [26].
Pasqal e outros. A francesa Pasqal, de átomos neutros, reportou no terceiro trimestre de 2026 queda de receita total acompanhada de crescimento na receita de serviços de QPU — um retrato realista do setor: a monetização hoje vem de acesso e serviços, não de vantagem computacional [17]. O ecossistema também se move institucionalmente: em novembro de 2026, um consórcio de cinco universidades britânicas, incluindo Cambridge, lançou o UK Quantum SuperConnector para acelerar a comercialização de pesquisa quântica [14][15]. Vale registrar, ainda, que a cobertura do setor em 2026 destacou a consolidação de roteiros de tolerância a falhas com horizontes de 2033 a 2035 para aplicações de maior escala [15].
Um horizonte realista, cruzando os roteiros públicos: correção de erros abaixo do limiar já é fato [22]; vantagem quântica útil em nichos de química e materiais é plausível entre o fim desta década e o início da próxima [13]; e qualquer vantagem em IA generativa de larga escala é improvável antes de 2030 — e não está garantida.
Comprovado, promissor e exagero
A separação em três camadas é o exercício mais útil que um gestor pode fazer com esse tema.
Comprovado. Existe correção de erros quânticos abaixo do limiar do código de superfície, com supressão exponencial ao aumentar o código [22][23]. Existe também uma vantagem quântica verificável numa tarefa de física: o Quantum Echoes, rodado no Willow, calculou um correlador fora de ordem temporal 13 mil vezes mais rápido que o melhor método clássico, com aplicação numa prova de conceito em moléculas de 15 e 28 átomos [32]. Existem circuitos quânticos parametrizados que aprendem distribuições de probabilidade simples em experimentos controlados, com desempenho comparável ao de modelos clássicos de pequeno porte — não superior [6]. Existem redes tensoriais, inspiradas em formalismos quânticos, comprimindo LLMs com resultados publicados [18][21]. Existe IA clássica acelerando a operação de computadores quânticos em calibração, síntese de circuitos e análise [3]. E existe desquantização: pelo menos oito algoritmos de QML têm equivalentes clássicos competitivos [25].
Promissor. A geração de dados sintéticos por simulação quântica para treinar modelos em química e materiais tem lógica sólida e primeiros resultados [4][28]. A amostragem de distribuições difíceis por QCBMs e QGANs permanece teoricamente atraente, à espera de hardware menos ruidoso [6][8]. Modelos híbridos que inserem blocos quânticos em LLMs clássicos são uma linha de pesquisa ativa e com publicações recentes [20]. E a eficiência energética — um diferencial relatado pela Quantinuum em tarefas específicas — pode se tornar argumento econômico real conforme a IA consome mais eletricidade [27].
Exagero. A ideia de que computadores quânticos vão treinar LLMs em larga escala nos próximos anos não encontra apoio nos roteiros públicos nem nos resultados experimentais [13][30]. A afirmação de que QGANs já superam modelos generativos clássicos é falsa em qualquer benchmark de porte significativo [6]. O uso de "qubits" como métrica de capacidade, sem qualificar se são físicos ou lógicos, distorce comparações [26]. E a sugestão de que a vantagem quântica em aprendizado de máquina é uma conclusão estabelecida ignora tanto os limites teóricos recentemente provados quanto o histórico da desquantização [16][24].
O que isso significa para empresas e profissionais de tecnologia
A implicação prática mais imediata é que o investimento com melhor retorno hoje não está em comprar tempo de QPU, mas em dominar as técnicas inspiradas em quântica que já rodam em hardware clássico. Compressão por redes tensoriais, quantização e destilação de modelos atacam o mesmo gargalo — custo de memória e de inferência — que motivaria a aposta quântica, e produzem resultados mensuráveis hoje [18][21]. Times de infraestrutura de IA que incorporarem esse ferramental estarão melhor posicionados quando, e se, os aceleradores quânticos se tornarem viáveis.
A segunda implicação é de arquitetura. As abordagens que parecem viáveis no horizonte visível são híbridas: um modelo clássico que delega subtarefas específicas a um coprocessador quântico [2][20]. Isso significa que profissionais de tecnologia devem pensar em quântica como acelerador especializado — análogo a uma FPGA ou a uma TPU — e não como substituto de GPUs. A pergunta de engenharia correta é "qual subtarefa minha é um problema de amostragem ou de estrutura eletrônica?", não "como migro meu stack?".
A terceira implicação é de formação e de vocabulário. Um gestor que não distingue qubit físico de lógico, ou que não sabe o que é uma barren plateau, está vulnerável a fornecedores que vendem a narrativa sem os números [10][26]. A alfabetização mínima em QML — variacionais, ruído, custo de carregamento de dados — é hoje tão necessária quanto foi a alfabetização em estatística para a primeira onda de ciência de dados.
A quarta implicação é de monitoramento. O campo se move por marcos verificáveis: correção de erros abaixo do limiar, número de qubits lógicos, fidelidade de portas de dois qubits, demonstrações de vantagem quântica útil revisadas por pares [13][22][28]. Empresas que acompanham esses marcos — e não os anúncios de marketing — conseguem antecipar a janela de oportunidade com anos de antecedência.
O que esperar a seguir
O cenário mais provável para os próximos três a cinco anos não é a substituição de GPUs por QPUs, e sim uma convivência desigual. A simulação quântica de moléculas e materiais deve continuar gerando dados sintéticos de valor crescente para modelos generativos clássicos [4][28]. As redes tensoriais e as técnicas inspiradas em quântica devem se consolidar como parte padrão do kit de compressão e otimização de LLMs [18][21]. E os QCBMs e QGANs devem permanecer no laboratório, evoluindo com o hardware, à espera do dia em que o ruído deixe de dominar.
Há, no entanto, uma assimetria que merece atenção. A IA está tornando a computação quântica viável — na calibração, no controle de erros, na síntese de experimentos [3]. Se essa dinâmica se mantiver, o primeiro grande produto da convergência pode não ser uma IA quântica, mas um computador quântico projetado por IA. Para quem observa o setor, essa é a inversão mais interessante: a fronteira em que a promessa de uma tecnologia se torna o instrumento da outra.
Referências
- [1] Quantum Computing Meets Large Language Models (TechRxiv) – https://www.techrxiv.org/doi/pdf/10.36227/techrxiv.177004376.69666864
- [2] Quantum-Enhanced Large Language Models (IonQ Blog) – https://www.ionq.com/blog/supercharging-ai-with-quantum-computing-quantum-enhanced-large-language
- [3] Artificial intelligence for quantum computing (Nature Communications, 2025) – https://www.nature.com/articles/s41467-025-65836-3
- [4] AI, Quantum Computing and High-Performance Computing (CETAS/Alan Turing Institute) – https://cetas.turing.ac.uk/publications/ai-quantum-computing-and-high-performance-computing
- [5] Quantum Computers Will Make AI Better (Quantinuum Blog) – https://www.quantinuum.com/blog/quantum-computers-will-make-ai-better
- [6] A performance characterization of quantum generative models (arXiv 2301.09363) – https://arxiv.org/html/2301.09363v3
- [7] Quantum generative models (IOPscience, book chapter) – https://iopscience.iop.org/book/mono/978-0-7503-4952-9/chapter/bk978-0-7503-4952-9ch7
- [8] Quantum circuit Born machines (PennyLane Demos) – https://pennylane.ai/demos/tutorial_qcbm
- [9] Conditional quantum circuit Born machine based on a… (ScienceDirect, 2023) – https://www.sciencedirect.com/science/article/abs/pii/S0378437123002480
- [10] Illustration of Barren Plateaus in Quantum Computing (arXiv) – https://arxiv.org/html/2602.16558v1
- [11] Barren plateaus in quantum neural networks (PennyLane Demos) – https://pennylane.ai/demos/tutorial_barren_plateaus/
- [12] Using Large Language Models to mitigate Barren Plateaus (Aqora) – https://aqora.io/papers/W7214846225
- [13] IBM lays out clear path to fault-tolerant quantum computing (IBM Quantum Blog) – https://www.ibm.com/quantum/blog/large-scale-ftqc
- [14] Quantum SuperConnector to Accelerate Commercial Success of UK quantum Research (The Quantum Insider, 2026) – https://thequantuminsider.com/2026/11/06/uk-universities-quantum-commercialisation-programme/
- [15] IBM, Google, Microsoft, IonQ: Fault-Tolerance Roadmaps (Quantum Security & Defence) – https://quantumsecuritydefence.com/quantum-news/quantum-progress-fault-tolerance-roadmaps-2026/
- [16] AI-Assisted Proof Settles Longstanding Question About Quantum Speedups (The Quantum Insider, 2026) – https://thequantuminsider.com/2026/11/06/ai-assisted-proof-settles-longstanding-question-about-quantum-speedups/
- [17] Pasqal Reports Third-Quarter Revenue Decline as QPU Services Revenue Grows (The Quantum Insider, 2026) – https://thequantuminsider.com/2026/11/06/pasqal-q3-revenue-decline-services-growth/
- [18] CompactifAI: Extreme Compression of Large Language Models using Tensor Networks (ESANN 2025) – https://www.esann.org/sites/default/files/proceedings/2025/ES2025-8.pdf
- [19] Quantum-Inspired AI and Tensor Network Compression (The New Quantum Era Podcast) – https://www.newquantumera.com/podcast/quantum-inspired-ai-and-tensor-network-compression-with-roman-orus/
- [20] Quantum Large Language Models via Tensor Network Disentanglers (INSPIRE-HEP) – https://inspirehep.net/literature/2842251
- [21] Quantum-inspired tensor networks accelerate AI and cut compute costs (Multiverse Computing) – https://multiversecomputing.com/resources/quantum-inspired-tensor-networks-accelerate-ai-and-cut-compute-costs
- [22] Quantum error correction below the surface code threshold (PMC/Nature, 2024) – https://pmc.ncbi.nlm.nih.gov/articles/PMC11864966/
- [23] Making quantum error correction work (Google Research Blog) – https://research.google/blog/making-quantum-error-correction-work/
- [24] A quantum-inspired classical algorithm for recommendation systems (Ewin Tang, arXiv 1807.04271) – https://arxiv.org/abs/1807.04271
- [25] Quantum Machine Learning Without Any Quantum (Ewin Tang, tese) – https://ewintang.com/assets/tang_thesis.pdf
- [26] What quantum computer to buy? (arXiv) – https://arxiv.org/html/2604.04761v1
- [27] Quantinuum Launches Industry-First, Trapped-Ion 56-Qubit Quantum Computer (Press Release) – https://www.quantinuum.com/press-releases/quantinuum-launches-industry-first-trapped-ion-56-qubit-quantum-computer-that-challenges-the-worlds-best-supercomputers
- [28] Microsoft and Quantinuum create 12 logical qubits and demonstrate a hybrid end-to-end chemistry simulation (Azure Quantum Blog, 2024) – https://azure.microsoft.com/en-us/blog/quantum/2024/09/10/microsoft-and-quantinuum-create-12-logical-qubits-and-demonstrate-a-hybrid-end-to-end-chemistry-simulation/
- [29] Quantinuum's H-Series hits 56 physical qubits that are all-to-all connected (Quantinuum Blog) – https://www.quantinuum.com/blog/quantinuums-h-series-hits-56-physical-qubits-that-are-all-to-all-connected-and-departs-the-era-of-classical-simulation
- [30] IonQ | Roadmap – https://www.ionq.com/roadmap
- [31] Quantinuum Announces Commercial Launch of Helios (The Quantum Insider, 2025) – https://thequantuminsider.com/2025/11/05/quantinuum-announces-commercial-launch-of-helios-a-quantum-computer-with-accuracy-to-enable-generative-quantum-ai/
- [32] A verifiable quantum advantage (Google Research Blog, 2025) – https://research.google/blog/a-verifiable-quantum-advantage/
- [33] Read the fine print (Scott Aaronson, Nature Physics, 2015) – https://www.nature.com/articles/nphys3272