Aug, 2018

受量子多体波函数启发的语言模型方法

PDF
TL;DR本文提出了一种基于 Quantum Many-body 波函数（QMWF）的语言建模方法，可通过张量积模拟单词间的交互作用，并揭示了 QMWF 语言建模中使用卷积神经网络（CNN）的必要性，同时还提供了一个简单的文本 / 句子匹配算法。三个典型的问答（QA）数据集的系统性评估显示了所提出的 QMWF-LM 算法与最先进的受量子激励的 LMs 以及几种基于 CNN 的方法相比的有效性。
quantum language modelword embeddingsneural networksmultiple word meaningsconvolutional neural networks
发现论文，激发创造
  • 多尺度特征融合量子深度卷积神经网络用于文本分类

    提出了一种基于量子卷积的全新量子神经网络模型，该模型通过引入多尺度特征融合机制和量子深度卷积来提高模型性能，并通过实验证明其在文本分类任务上优于现有量子神经网络模型，同时在使用更少参数的情况下提高了测试精度。

    May, 2024

  • PQLM -- 多语言去中心化便携式量子语言模型用于隐私保护

    本文提出了一种高度可移植的量子语言模型 (PQLM)，它可以在经典计算机上向下游任务轻松传输信息，并演示了在经典计算机上将 PQLM 的词嵌入有效地应用于下游任务。该 PQLM 具有与其经典对应物相当的性能，并为量子预训练语言模型的理论基础奠定了基础。

    Oct, 2022

  • 机器学习与量子化学的统一 - 分子波函数的深度神经网络

    本文提出了一种基于深度学习的量子力学波函数预测框架，以实现分子结构的反向设计，用于优化目标电子性质，表明这种方法打开了机器学习和量子化学更协同的前景。

    Jun, 2019

  • 一种受量子机器学习启发的新型随机 LSTM 模型

    分析经典、随机和量子方法的表现，研究在长短期记忆模型中利用量子变分算法启发的随机方法，以取得量子机器学习在经典机器上的一些好处。

    May, 2023

  • 短期内量子自然语言处理基础

    提供近期量子自然语言处理的基本概念和数学基础，在量子计算机科学家友好的术语下详细介绍了最新领域的理论发展，并引用了支持实证证据和数学广义性的参考文献，在量子模型中结合了语言意义和语法，利用 Noisy Intermediate-Scale Quantum 范例为编码语言结构提供了方便，最终在 Diagrammatic Reasoning 框架下，实现了语言与量子计算机之间的相互转换。

    Dec, 2020

  • 迈向语法显著不同的语言的量子机器翻译

    本研究在噪声中间规模量子（NISQ）设备上探索了使用量子自然语言处理算法进行语言翻译的可行性。我们采用香农熵来展示旋转门的适当角度在参数化量子电路性能中的重要作用，并利用这些角度（参数）作为不同语言的量子电路之间的通信方式，最终通过经典神经网络的编码器 - 解码器模型和长短期记忆（LSTM）的翻译任务实现了量子神经机器翻译，该翻译方法相对于经典方法具有潜在优势。在 160 个样本的实验中，我们使用了三种优化器训练模型，并通过使用 Adam 优化器训练具有两个 LSTM 层的最佳模型获得了最佳结果，其平均绝对误差为 0.03，均方误差为 0.002，损失为 0.016。我们的研究结果表明，尽管使用简单的同义句进行训练，但 Shannon 熵在处理复杂句子结构的更复杂机器翻译模型中具有一定的实用性。

    Jul, 2023

  • 量子启发式复杂单词嵌入

    本研究提出两个量子力学启发式模型，通过基于希尔伯特空间的相对相位来探究单词组合的含义，从而在二进制句子分类任务上达到了比非量子模型更好的性能。

    May, 2018

  • 基于量子启发式的多模态融合视频情感分析

    本文提出了一种基于量子理论的多模态情感分析框架，通过超定态和纠缠的方式对单模态内部交互和跨模态交互进行建模，并成功应用到了两个基准影片情感分析数据集上，普适性优于现有技术水平。

    Mar, 2021

  • 量子启发式机器学习综述

    量子启发式机器学习（QiML）是一个新兴的领域，受到全球研究人员的关注，因为它有潜力在经典计算框架中利用量子力学原理。本文通过对 QiML 进行综合和全面的调查，探索了 QiML 的多个研究领域，包括张量网络模拟、去量化算法等，展示了最新进展、实际应用，并揭示了潜在的未来研究方向。同时，通过分析对 QiML 的不同解释及其固有的模糊性，确立了 QiML 的具体定义。在量子力学、量子计算和经典机器学习的基础上，QiML 将不断发展，并丰富该领域的未来。本调查为研究人员和从业人员提供指南，帮助他们全面了解 QiML 的现状和未来发展方向。

    Aug, 2023

  • 学习使用快速权重编程变分量子电路

    引入量子快速权重程序 (QFWP) 作为解决时间或序列学习挑战的方法。

    Feb, 2024