[论文解读] Foundations for Near-Term Quantum Natural Language Processing

Bob Coecke, Giovanni de Felice+2 more|arXiv (Cornell University)|Dec 7, 2020

Quantum Computing Algorithms and Architecture参考文献 91被引用 22

一句话总结

该论文通过使用变分量子算法将语言语法与语义整合到量子线路中，为近期量子自然语言处理（QNLP）建立了基础原则。它表明，通过量子线路编码语言结构在计算成本上比经典方法呈指数级降低，从而在NISQ时代硬件上实现量子优势，同时通过图示推理和ZX演算保持可解释性。

ABSTRACT

We provide conceptual and mathematical foundations for near-term quantum natural language processing (QNLP), and do so in quantum computer scientist friendly terms. We opted for an expository presentation style, and provide references for supporting empirical evidence and formal statements concerning mathematical generality. We recall how the quantum model for natural language that we employ canonically combines linguistic meanings with rich linguistic structure, most notably grammar. In particular, the fact that it takes a quantum-like model to combine meaning and structure, establishes QNLP as quantum-native, on par with simulation of quantum systems. Moreover, the now leading Noisy Intermediate-Scale Quantum (NISQ) paradigm for encoding classical data on quantum hardware, variational quantum circuits, makes NISQ exceptionally QNLP-friendly: linguistic structure can be encoded as a free lunch, in contrast to the apparently exponentially expensive classical encoding of grammar. Quantum speed-up for QNLP tasks has already been established in previous work with Will Zeng. Here we provide a broader range of tasks which all enjoy the same advantage. Diagrammatic reasoning is at the heart of QNLP. Firstly, the quantum model interprets language as quantum processes via the diagrammatic formalism of categorical quantum mechanics. Secondly, these diagrams are via ZX-calculus translated into quantum circuits. Parameterisations of meanings then become the circuit variables to be learned. Our encoding of linguistic structure within quantum circuits also embodies a novel approach for establishing word-meanings that goes beyond the current standards in mainstream AI, by placing linguistic structure at the heart of Wittgenstein's meaning-is-context.

研究动机与目标

• 建立一个统一语言语义与语法结构的原生量子自然语言处理框架。
• 证明在量子线路中编码语言语法则比经典方法具有指数级更高的效率。
• 开发一种基于变分量子线路的NISQ时代端到端QNLP流水线，用于学习词义。
• 通过图示化量子推理显式表达语义流动，实现NLP中的可解释性。
• 将广泛类别的NLP任务统一于单一量子优势框架下，超越以往成果。

提出的方法

• 使用基于范畴量子力学（CQM）和图示推理的DisCoCat模型表示语言语义与语法。
• 利用ZX演算将语言图示转化为可执行的量子线路，实现对现有量子硬件的部署。
• 将词义编码为参数化量子态（量子比特态），并使用变分量子线路进行优化。
• 在NISQ范式下利用参数化量子线路，通过优化从句子级语义中学习词义。
• 通过图示推理确保语言结构直接决定量子线路架构与语义演化过程。
• 通过“语义即上下文”原则，从完整句子中的交互中学习词义，而非孤立地处理。

实验结果

研究问题

• RQ1 如何在量子模型中规范地结合语言语义与语法结构？
• RQ2 为何量子计算本质上适合自然语言处理，特别是在NISQ时代？
• RQ3 通过CQM与ZX演算实现的图示推理，在构建与优化量子NLP线路方面提供了哪些优势？
• RQ4 变分量子线路能否以语法感知、可解释的方式学习词义？与经典黑箱模型相比有何差异？
• RQ5 量子优势在QNLP中的适用范围是什么？哪些NLP任务可统一于单一量子加速框架之下？

主要发现

• 语言结构在量子线路中编码无需额外成本——在经典系统中为计算瓶颈的问题，在NISQ范式下成为‘免费午餐’。
• 基于范畴量子力学的DisCoCat模型为语义与语法的规范结合提供了路径，使QNLP本质上成为原生量子的。
• QNLP任务的量子优势已超越孤立案例，在更广泛的NLP任务家族中得到证实，均显示出量子加速的潜力。
• ZX演算的使用实现了语言图示到可执行量子线路的直接映射，弥合了抽象语言组合与实际量子硬件之间的鸿沟。
• 通过完整句子的语义学习词义（而非孤立上下文），构建出语法感知、语义敏感的系统，其可解释性优于经典黑箱方法。
• 变分量子线路支持从句子级语义规范中端到端学习词义，优化过程可从语义约束中推导出最佳匹配的词向量。