در دهه‌های اخیر، دو حوزه فناوری با سرعتی چشمگیر در حال پیشرفت بوده‌اند: هوش مصنوعی، به‌ویژه پردازش زبان طبیعی (NLP)، و رایانش کوانتومی (QC). پردازش زبان طبیعی، که به ماشین‌ها توانایی درک، تفسیر و تولید زبان انسان را می‌دهد، به ستون فقرات بسیاری از فناوری‌های مدرن از دستیارهای صوتی گرفته تا موتورهای جستجوی پیشرفته تبدیل شده است. از سوی دیگر، رایانش کوانتومی با بهره‌گیری از اصول مکانیک کوانتومی، نویدبخش حل مسائلی است که پیچیدگی آن‌ها فراتر از توان کامپیوترهای کلاسیک است.

مقاله‌ی “طبقه‌بندی جمله گرامرمحور در رایانه‌های کوانتومی” که توسط کنستانتینوس مایکانتزیدیس و همکارانش منتشر شده، در نقطه تلاقی این دو حوزه قرار می‌گیرد و یک گام جسورانه و پیشگامانه به شمار می‌رود. اهمیت این مقاله در این است که برای نخستین بار، یک وظیفه عملی NLP را بر روی یک پردازنده کوانتومی واقعی از نوع NISQ (کوانتومی مقیاس-متوسط نویزی) پیاده‌سازی می‌کند. این مقاله صرفاً یک طرح نظری نیست، بلکه یک اثبات مفهومی تجربی است که نشان می‌دهد چگونه می‌توان ساختار گرامری زبان را به مدارهای کوانتومی ترجمه کرد و از آن برای وظایف یادگیری ماشین بهره برد. این پژوهش، شاخه‌ای نوین و هیجان‌انگیز به نام پردازش کوانتومی زبان طبیعی (QNLP) را از حوزه نظری به دنیای آزمایشگاهی وارد می‌کند و در را برای نسل بعدی الگوریتم‌های هوش مصنوعی باز می‌کند.

این مقاله حاصل همکاری تیمی از محققان برجسته در زمینه‌های فیزیک کوانتومی، علوم کامپیوتر و زبان‌شناسی محاسباتی است: کنستانتینوس مایکانتزیدیس، الکسی تومی، جیووانی دی فلیچه و باب کوکه. پروفسور باب کوکه (Bob Coecke) یکی از چهره‌های اصلی در این حوزه و از بنیان‌گذاران مدل ریاضی DisCoCat است که شالوده نظری این پژوهش را تشکیل می‌دهد.

زمینه این تحقیق به کارهای نظری پیشین بازمی‌گردد که پتانسیل “برتری کوانتومی” را برای وظایف NLP پیش‌بینی می‌کردند. این نظریه‌ها اغلب بر روی کامپیوترهای کوانتومی ایده‌آل و بدون خطا (Fault-Tolerant) متمرکز بودند که هنوز در دسترس نیستند. نوآوری این مقاله در آن است که تمرکز خود را بر سخت‌افزارهای موجود، یعنی دستگاه‌های NISQ، معطوف کرده است. این دستگاه‌ها با تعداد کیوبیت محدود و سطح قابل توجهی از نویز مشخص می‌شوند، اما همین‌ها نیز بستری برای آزمایش و توسعه الگوریتم‌های کوانتومی جدید فراهم کرده‌اند. این پژوهش نشان می‌دهد که چگونه می‌توان از همین سخت‌افزارهای ناقص امروزی برای ساخت مدل‌های زبانی معنادار و کارآمد بهره برد.

مقاله به طور خلاصه، روشی نوین برای طبقه‌بندی دوتایی جملات ارائه می‌دهد که در آن ساختار گرامری جمله به صورت مستقیم در معماری یک مدار کوانتومی کدگذاری می‌شود. این کار با استفاده از چارچوب DisCoCat (Categorical Distributional Compositional) انجام می‌شود؛ مدلی ریاضی که به طور طبیعی با ساختارهای مکانیک کوانتومی سازگار است.

فرآیند کلی به شرح زیر است:

• تبدیل جمله به مدار: هر جمله به یک مدار کوانتومی پارامتردار منحصربه‌فرد تبدیل می‌شود.
• جاسازی معنای کلمات: معنای هر کلمه (اسم، فعل و…) در یک حالت کوانتومی که توسط یک مدار کوانتومی کوچک و پارامتردار تولید می‌شود، جاسازی (embed) می‌شود.
• نقش گرامر: ساختار گرامری جمله، که از طریق تجزیه (parsing) به دست می‌آید، الگوی اتصال این مدارهای کلمه‌ای را مشخص می‌کند. این اتصالات از طریق عملیات‌های درهم‌تنیدگی کوانتومی (Entanglement) پیاده‌سازی می‌شوند که قلب قدرت رایانش کوانتومی است.
• آموزش و بهینه‌سازی: پارامترهای مدار کوانتومی با استفاده از یک بهینه‌ساز کلاسیک (بر روی کامپیوتر معمولی) در یک وظیفه یادگیری نظارت‌شده (supervised learning) آموزش داده می‌شوند تا مدار بتواند جملات را به درستی در دسته‌های از پیش تعریف‌شده طبقه‌بندی کند.

این مدل QNLP نه تنها کارایی خود را در عمل نشان می‌دهد، بلکه مسیری روشن برای مقیاس‌پذیری با بهبود سخت‌افزارهای کوانتومی در آینده ترسیم می‌کند و جایگاه خود را به عنوان یک شاخه تحقیقاتی تجربی جدید در تقاطع هوش مصنوعی و رایانش کوانتومی تثبیت می‌کند.

سنگ بنای روش‌شناسی این مقاله، مدل DisCoCat است. این نام از سه مفهوم کلیدی در زبان‌شناسی و علوم کامپیوتر گرفته شده است:

• توزیعی (Distributional): این ایده که معنای یک کلمه از کلماتی که در همسایگی آن ظاهر می‌شوند، به دست می‌آید. مدل‌های مدرن مانند Word2Vec بر همین اصل استوارند.
• ترکیبی (Compositional): این اصل بیان می‌کند که معنای یک عبارت یا جمله، تابعی از معنای کلمات سازنده آن و نحوه ترکیب دستوری آن‌هاست. برای مثال، معنای “سگ گربه را تعقیب کرد” با “گربه سگ را تعقیب کرد” متفاوت است، با وجود اینکه کلمات یکسان هستند.
• مقوله‌ای (Categorical): این بخش از نظریه مقولات (Category Theory)، یک شاخه از ریاضیات محض، برای ارائه یک چارچوب دقیق و رسمی برای ترکیب معانی استفاده می‌کند. این چارچوب به طرز شگفت‌آوری با فرمالیسم ریاضی مکانیک کوانتومی (فضاهای هیلبرت و عملگرهای خطی) همخوانی دارد.

در این پژوهش، این مدل نظری به یک فرآیند عملیاتی تبدیل می‌شود. ابتدا، هر جمله با استفاده از یک تجزیه‌گر گرامری (parser) تحلیل می‌شود تا ساختار درختی آن به دست آید. سپس، این ساختار به یک نمودار شبکه تانسوری (tensor network) ترجمه می‌شود که معادل یک مدار کوانتومی است. در این مدار:

• کلمات به حالت‌های کوانتومی نگاشت می‌شوند: هر اسم، فعل یا صفت به یک حالت کوانتومی (مجموعه‌ای از کیوبیت‌ها) نگاشت می‌شود. این حالت‌ها توسط مدارهای کوانتومی پارامتردار (PQC) تولید می‌شوند که پارامترهای آن‌ها در حین آموزش تنظیم می‌شوند تا بهترین نمایش معنایی را پیدا کنند.
• قواعد گرامری به گیت‌های کوانتومی تبدیل می‌شوند: نحوه ترکیب کلمات (مثلاً ترکیب یک فعل متعدی با مفعول خود) به گیت‌های کوانتومی چند-کیوبیتی، به‌ویژه گیت‌های درهم‌تنیدگی، تبدیل می‌شود. این گیت‌ها حالت‌های کوانتومی کلمات را به شیوه‌ای معنادار با هم ترکیب می‌کنند تا حالت کوانتومی نماینده کل جمله را بسازند.

فرآیند آموزش یک حلقه هیبریدی کوانتومی-کلاسیک است. مدار کوانتومی روی پردازنده کوانتومی اجرا می‌شود و نتیجه اندازه‌گیری می‌شود. این نتیجه با برچسب صحیح مقایسه شده و یک تابع هزینه محاسبه می‌شود. سپس، یک الگوریتم بهینه‌سازی کلاسیک، پارامترهای مدار را اندکی تغییر می‌دهد تا در اجرای بعدی، خروجی به پاسخ صحیح نزدیک‌تر شود. این فرآیند هزاران بار تکرار می‌شود تا مدل به دقت بالایی در طبقه‌بندی دست یابد.

مهم‌ترین دستاورد این پژوهش، اثبات عملی امکان‌پذیری ایده اصلی است. محققان نشان دادند که می‌توان یک مدل زبانی مبتنی بر گرامر را بر روی سخت‌افزارهای کوانتومی پرنویز امروزی با موفقیت پیاده‌سازی و آموزش داد.

• عملکرد موفقیت‌آمیز: مدل QNLP توسعه‌داده‌شده توانست در وظیفه طبقه‌بندی دوتایی جملات به عملکردی بالاتر از حدس تصادفی دست یابد و فرآیند یادگیری را با موفقیت به نمایش بگذارد. این نشان می‌دهد که سیگنال معنادار از نویز ذاتی دستگاه‌های NISQ قوی‌تر بوده است.
• نقش حیاتی گرامر: برخلاف بسیاری از مدل‌های NLP که مانند یک “جعبه سیاه” عمل می‌کنند، این مدل به صورت شفاف از ساختار گرامری زبان بهره می‌برد. این ویژگی نه تنها به تفسیرپذیری مدل کمک می‌کند، بلکه راهی ساختاریافته برای ساخت مدارهای پیچیده‌تر برای جملات طولانی‌تر فراهم می‌آورد.
• پتانسیل مقیاس‌پذیری: معماری این مدل به گونه‌ای طراحی شده که با پیشرفت سخت‌افزارهای کوانتومی (افزایش تعداد کیوبیت‌ها و کاهش نرخ خطا) به طور طبیعی مقیاس‌پذیر است. هر کیوبیت اضافی می‌تواند برای نمایش کلمات با معنای پیچیده‌تر یا جملات با ساختارهای غنی‌تر به کار رود. این یک مسیر امیدوارکننده به سوی دستیابی به برتری کوانتومی در حوزه NLP است.

اگرچه این پژوهش یک گام اولیه محسوب می‌شود، اما دستاوردها و کاربردهای بالقوه آن بسیار گسترده است.

• بنیان‌گذاری QNLP تجربی: این مقاله شاخه پردازش کوانتومی زبان طبیعی را از یک حوزه عمدتاً نظری به یک زمینه تحقیقاتی تجربی و عملی تبدیل کرد. اکنون محققان می‌توانند ایده‌های خود را روی سخت‌افزارهای واقعی آزمایش کنند.
• الگوریتم‌های بهینه‌تر برای NLP: در آینده، الگوریتم‌های QNLP ممکن است بتوانند وظایف پیچیده‌ای مانند پاسخ به سوالات، خلاصه‌سازی متن یا ترجمه ماشینی را با منابع محاسباتی کمتر یا دقت بالاتر از همتایان کلاسیک خود انجام دهند، به خصوص برای زبان‌هایی با ساختارهای گرامری پیچیده.
• مدل‌سازی شناختی: برخی معتقدند که مغز انسان نیز ممکن است از فرآیندهایی شبیه به محاسبات کوانتومی برای پردازش زبان استفاده کند. این مدل‌ها می‌توانند به عنوان ابزاری برای کاوش در ماهیت زبان و شناخت انسان به کار روند.
• پل میان رشته‌ها: این کار به زیبایی فیزیک کوانتومی، زبان‌شناسی، نظریه مقولات و هوش مصنوعی را به هم پیوند می‌دهد و نشان‌دهنده قدرت تفکر میان‌رشته‌ای در حل مسائل بزرگ علمی است.

مقاله‌ی “طبقه‌بندی جمله گرامرمحور در رایانه‌های کوانتومی” یک نقطه عطف در تاریخ تکامل هوش مصنوعی و رایانش کوانتومی است. این پژوهش با موفقیت نشان داد که می‌توان از ساختار ذاتی زبان برای طراحی الگوریتم‌های کوانتومی کارآمد استفاده کرد و این الگوریتم‌ها را بر روی سخت‌افزارهای امروزی پیاده‌سازی نمود. این کار فراتر از یک نمایش فنی صرف است؛ این یک بیانیه قدرتمند درباره آینده هم‌افزایی میان این دو حوزه است.

اگرچه ما هنوز در دوران NISQ هستیم و راه درازی تا دستیابی به کامپیوترهای کوانتومی بزرگ و بدون خطا در پیش داریم، این مقاله یک چراغ راهنماست که مسیر آینده را روشن می‌کند. با هر نسل جدید از پردازنده‌های کوانتومی، مدل‌هایی مانند آنچه در این مقاله ارائه شده، قدرتمندتر، دقیق‌تر و قادر به حل مسائل پیچیده‌تر خواهند شد. این پژوهش سنگ بنای محکمی برای ساختن نسل بعدی هوش مصنوعی است؛ هوشی که نه تنها از داده‌ها یاد می‌گیرد، بلکه ساختار عمیق و زیبای زبان انسان را نیز در سطح کوانتومی درک می‌کند.