内幕简报
Quantinuum 研究人员团队在量子人工智能 (AI) 的最终使用方面取得了进一步进展，报告了可扩展量子自然语言处理 (QNLP) 的首次实现。根据预印本服务器 ArXiv 上发布的一篇研究论文，他们的模型名为 QDisCoCirc，将量子计算与人工智能集成起来，以解决基于文本的任务，例如回答问题。
Ilyas Khan，创始人兼首席产品Quantinuum 官员表示，虽然该团队尚未大规模解决问题，但这项研究标志着向展示可解释性和透明度如何导致更安全、更有效的生成式人工智能迈出了重要一步。
BobKhan 已经从事 qNLP 工作十多年了，在过去的 6 年里，当我们准备量子计算机真正开始以切实的方式解决现实世界的问题时，我有幸坐在前排。我们在夏初发表的关于组合智能的论文为可解释性的含义奠定了一个框架，现在我们首次实验性地实现了一个完全可操作的系统。这是非常令人兴奋的，与我们在化学、制药、生物学、优化和网络安全等领域的其他工作一起，将开始在短期内加速整个量子领域的进一步科学发现
他补充说，现在还不是量子 ChatGPT 时刻，但通往现实世界相关性的道路现已建立，并正在加速实现这一现实，在我看来，这将涉及量子超级计算机的概念。
量子人工智能，尤其是量子人工智能量子计算和自然语言处理（NLP）的结合，主要是理论性的，基于证据的研究有限。Khan 和量子组合智能 Quantinuum 首席科学家 Bob Coecke 撰写了一篇关于该项目的文章，以支持三篇技术论文，这些论文已上传到 arxiv，并在本周的一次会议上发表，据 Khan 和 Bob Coecke 称，这项基于证据的工作旨在照亮量子计算和 NLP 之间的交叉点。
它进一步展示了量子系统如何以比传统方法更具可解释性和可扩展性的方式应用于人工智能任务。
p>
他们写道：在 Quantinuum，我们一直致力于使用量子计算机进行自然语言处理 (NLP)。我们很高兴最近进行了实验，这些实验不仅展示了如何为量子计算机训练模型，而且还展示了如何以用户可解释的方式进行训练。此外，让这项工作变得更加令人兴奋的是，我们有希望证明量子计算机在可解释的 NLP 中的有用性。
已报道的工作的核心实验是基于使用组合概括。组合性技术源自范畴论并应用于 NLP，涉及将语言结构视为可以组合和组合在一起的数学对象。
根据 Quantinuum 的说法，目前量子机器学习固有的一个问题是能够进行大规模培训。我们通过利用组合泛化来避免这种情况。这意味着我们在经典计算机上进行小型训练，然后在测试时在量子计算机上评估更大的示例。现在存在无法进行经典模拟的量子计算机，因此我们工作的范围和雄心在未来一段时间内可以非常迅速地扩大。
通过这样做，研究人员缓解了量子领域的主要挑战之一机器学习：所谓的贫瘠高原问题，由于梯度消失，训练大规模量子模型变得低效。该研究提供了切实且可验证的证据，表明量子系统不仅能够更有效地解决某些类型的问题，而且还可以使人工智能模型从如何决策的角度变得透明，这是该领域日益增长的重要关注点
这些结果是在 Quantinuums H1-1 离子捕获量子处理器上取得的，该处理器提供了执行构成 QDisCoCirc 模型骨干的量子电路的计算能力。QDisCoCirc 模型利用组合性原理（一个借用自语言学和范畴论的概念），将复杂的文本输入分解为更小的、可理解的组件。
研究团队在论文中写道，H1-1 处于实验追求中：我们展示了使用 QDisCoCirc 进行问答任务的实验结果。这是可扩展组合 QNLP 的第一个概念验证实现。为了在真实设备上演示组合泛化，超出我们为其中一个数据集进行经典模拟的实例大小，我们使用 Quantinuums H1-1 俘获离子量子处理器，该处理器具有最先进的双量子位门保真度。
实际意义
这项研究对人工智能和量子计算的未来具有重大影响。最显着的成果之一是将量子人工智能用于可解释模型的潜力。在当前的 GPT-4 等大型语言模型 (LLM) 中，决策通常以黑盒方式做出，这使得研究人员很难理解某些输出是如何或为何生成的。相比之下，QDisCoCirc 模型允许研究人员检查内部量子态以及不同单词或句子之间的关系，从而为决策过程提供见解。
实际上，这可能具有广泛的应用在问答系统（也称为分类挑战）等领域，了解机器如何得出结论与答案本身同样重要。通过提供可解释的方法，使用组合方法的量子人工智能可以应用于法律、医疗和金融领域，这些领域的人工智能系统的问责制和透明度至关重要。
该研究还表明，组合泛化该模型从较小的训练集泛化到更大、更复杂的输入的能力是成功的。这可能是相对于 Transformer 和 LSTM 等传统模型的一个关键优势，根据作者和技术论文中提供的证据，这些模型在本工作中对更长或更复杂的文本样本进行测试时未能以相同的方式进行泛化。
超越经典的性能？
除了在 NLP 任务中的直接应用之外，研究人员还探索了量子电路如何在某些情况下超越经典基线，包括对 GPT-4 等模型的研究。研究结果表明，当要求处理组合任务时，经典机器学习模型的表现并不比随机猜测更好。这表明，随着规模的扩大，量子系统可能特别适合处理更复杂形式的语言处理，特别是在扩展到更大的数据集时，尽管大规模语言模型也可能提高其性能。
研究发现，经典模型无法泛化到更大的文本实例，表现并不比随机猜测更好，而量子电路则表现出成功的组合泛化。
研究人员还发现，量子模型显示了资源效率。由于经典计算机难以模拟更大规模的量子系统的行为，研究表明量子计算机将是未来处理大规模 NLP 任务所必需的。
随着文本电路规模的增大，经典计算机将成为处理大规模 NLP 任务所必需的。作者写道，模拟变得不切实际，这凸显了量子系统解决这些任务的必要性。
方法和实验设置
研究人员开发了具有简单、二元问答任务的数据集：QDisCoCirc 模型的概念证明。这些数据集旨在探索量子电路处理基本语言任务的能力，例如确定故事中人物之间的关系。该团队采用参数化量子电路来创建词嵌入，即数学空间中的词表示。然后，这些嵌入被用来构建更大的文本电路，量子处理器对其进行评估。
Coecke 和 Khan 报告说，该方法允许模型在利用量子力学力量的同时保持可解释性。随着量子计算机变得更加强大，这种影响将会越来越大。
他们写道：我们接受文章中提出的组合可解释性，作为困扰当前人工智能的问题的解决方案。简而言之，组合可解释性归结为能够为模型的组件分配人类友好的含义（例如自然语言），然后能够理解它们如何组合在一起。
局限性和未来方向
该团队表示，虽然这项研究标志着向前迈出了重要一步，但它也存在局限性。挑战之一是当前量子处理器的规模。虽然 QDisCoCirc 模型显示出巨大的前景，但研究人员报告说，更大、更复杂的应用将需要具有更多量子位和更高保真度的量子计算机。研究人员承认，他们的结果仍处于概念验证阶段，但他们也提到量子计算机的快速加速，现在已经进入微软所说的可靠量子计算机时代和 IBM 所说的实用规模时代量子计算。
他们写道，尽管承认这一领域正在快速发展，但由于当前的硬件限制，将其扩展到更复杂的现实世界任务仍然是一个重大挑战。
此外，该研究主要关注二元问答，这是 NLP 的简化形式。未来的研究和实验将探索更复杂的任务，例如解析整个段落或处理多层上下文，并且已经在研究扩展模型以处理更复杂的文本输入和不同类型的语言结构的方法。
Quantinuum 的研究团队包括 Saskia Bruhn、Gabriel Matos、Tuomas Laakkonen、Anna Pearson、Konstantinos Meichanetzidis 和 Bob Coecke。
如需深入了解，可以提供比本摘要更多的技术信息，请参阅此处提供的技术论文：
可扩展且可解释的量子自然语言处理：捕获离子的实现
DisCoCirc 上的论文作为基于电路的自然语言模型，可将任意文本转换为文本电路：