زبان طبیعی، با تمام پیچیدگی‌ها و ظرافت‌هایش، همواره یکی از بزرگترین چالش‌ها برای هوش مصنوعی بوده است. یکی از مهم‌ترین این چالش‌ها، پدیده «ابهام» است. ما انسان‌ها به راحتی با کمک بافت (context)، ابهامات زبانی را برطرف می‌کنیم، اما ماشین‌ها در این زمینه با دشواری‌های فراوانی روبرو هستند. مقاله‌ی پیش رو، با عنوان «مدل ابهامات ارجاعی مبتنی بر بافتاری شبه‌کوانتومی شیف‌-نظری و BERT»، رویکردی نوین و انقلابی را برای مدل‌سازی یکی از رایج‌ترین انواع ابهام، یعنی ابهام ارجاعی (Anaphoric Ambiguity)، ارائه می‌دهد.

اهمیت این پژوهش در ایجاد یک پل مستحکم و مبتنی بر ریاضیات دقیق، میان دو حوزه به ظاهر بی‌ارتباط، یعنی «مکانیک کوانتوم» و «پردازش زبان طبیعی» (NLP) نهفته است. نویسندگان این مقاله نشان می‌دهند که ساختار رفع ابهام در زبان، شباهت‌های شگفت‌انگیزی با پدیده‌ای به نام بافتاری (Contextuality) در فیزیک کوانتوم دارد. این تحقیق صرفاً یک مقایسه فلسفی نیست، بلکه با استفاده از ابزارهای پیشرفته ریاضی (نظریه شیف) و مدل‌های زبانی مدرن (BERT)، وجود این ساختار شبه‌کوانتومی را در داده‌های زبانی به صورت تجربی تأیید می‌کند. این دستاورد می‌تواند مسیر آینده پژوهش‌های مربوط به هوش مصنوعی و به خصوص حوزه نوظهور «پردازش زبان طبیعی کوانتومی» (QNLP) را دگرگون سازد.

این مقاله حاصل همکاری سه پژوهشگر برجسته در مرز دانش محاسبات، زبان‌شناسی و فیزیک کوانتوم است: کین ایان لو (Kin Ian Lo)، مهرنوش صدرزاده (Mehrnoosh Sadrzadeh) و شین منسفیلد (Shane Mansfield). این محققان در زمینه‌هایی چون هوش مصنوعی، یادگیری ماشین و محاسبات عصبی فعالیت دارند.

پروفسور مهرنوش صدرزاده، یکی از چهره‌های پیشگام در حوزه پردازش زبان طبیعی کوانتومی (QNLP) است و پژوهش‌های او نقش کلیدی در پایه‌گذاری این رشته داشته است. این مقاله نیز در ادامه تلاش‌های آن‌ها برای یافتن مدل‌های математически دقیق برای بازنمایی معنا و ساختار زبان با استفاده از مفاهیم و فرمالیسم‌های کوانتومی است.

ابهامات زبان طبیعی مانع از ارتباط مؤثر ما نمی‌شوند، زیرا بافت به ما در انتقال مفاهیم کمک می‌کند. با این حال، همین ابهامات چالشی اساسی برای ساخت ماشین‌هایی است که بتوانند زبان را مانند انسان بفهمند و به کار گیرند. «بافتاری» پدیده‌ای منحصربه‌فرد در مکانیک کوانتوم است که برای توصیف آن فرمالیسم‌های ریاضی گوناگونی توسعه یافته است. در این مقاله، پژوهشگران یک الگو (schema) برای ابهامات ارجاعی طراحی می‌کنند که بافتاری شبه‌کوانتومی از خود نشان می‌دهد.

آن‌ها از یک معیار جدید برای تشخیص بافتاری، یعنی بافتاری شیف-نظری (Sheaf-Theoretic Contextuality)، استفاده می‌کنند که حتی برای مدل‌های «سیگنال‌دهنده» (signalling) نیز کاربرد دارد (وضعیتی که در زبان بسیار رایج است). سپس، از موتور جاسازی کلمات عصبی قدرتمند، یعنی BERT، بهره می‌برند تا الگوی طراحی‌شده را با نمونه‌های واقعی زبان طبیعی پر کرده و توزیع‌های احتمال را برای تفاسیر مختلف استخراج کنند. نتیجه شگفت‌انگیز بود: تعداد زیادی مثال بافتاری-شیف (sheaf-contextual) در پیکره‌های زبانی که BERT بر اساس آن‌ها آموزش دیده، کشف شد. این یافته‌ها راه را برای تحقیقات آینده و گسترش کاربردهای محاسبات کوانتومی در پردازش زبان طبیعی هموار می‌سازد.

برای درک عمق این پژوهش، باید چهار جزء اصلی روش‌شناسی آن را بشکافیم: ابهام ارجاعی، مفهوم بافتاری کوانتومی، ابزار ریاضی نظریه شیف و نقش مدل زبانی BERT.

• ابهام ارجاعی (Anaphoric Ambiguity): این نوع ابهام زمانی رخ می‌دهد که یک ضمیر (مانند او، آن، ایشان) می‌تواند به بیش از یک اسم (مرجع) در جمله یا متن اشاره داشته باشد. به این مثال توجه کنید: «گربه روی حصار پرید چون آن ترسیده بود.» در اینجا، ضمیر «آن» به چه چیزی ارجاع دارد؟ گربه یا حصار؟ انسان با توجه به بافت و دانش عمومی خود (حصارها نمی‌ترسند) به سرعت نتیجه می‌گیرد که مرجع ضمیر، «گربه» است. اما یک ماشین ممکن است دچار سردرگمی شود. این مقاله دقیقاً همین فرآیند رفع ابهام را مدل‌سازی می‌کند.
• بافتاری شبه‌کوانتومی (Quantum-like Contextuality): در فیزیک کوانتوم، بافتاری یک پدیده شگفت‌انگیز است که می‌گوید نتیجه اندازه‌گیری یک ویژگی از یک ذره (مثلاً اسپین آن در یک جهت خاص) می‌تواند به این بستگی داشته باشد که چه اندازه‌گیری‌های سازگار دیگری همزمان با آن انجام می‌شود (یعنی بافت اندازه‌گیری). این برخلاف شهود کلاسیک ماست که انتظار داریم ویژگی‌های یک شیء مستقل از نحوه اندازه‌گیری آن‌ها وجود داشته باشند. فرضیه اصلی مقاله این است که فرآیند انتخاب مرجع برای یک ضمیر مبهم، ساختاری مشابه این پدیده کوانتومی دارد. اینکه ما کدام مرجع را برای ضمیر انتخاب می‌کنیم (نتیجه اندازه‌گیری)، به کل بافت جمله (سایر اندازه‌گیری‌های همزمان) بستگی دارد.
• نظریه شیف (Sheaf Theory): برای اینکه ثابت شود یک سیستم (چه کوانتومی و چه زبانی) واقعاً «بافتاری» است، به یک ابزار ریاضی دقیق نیاز داریم. نظریه شیف، که شاخه‌ای پیشرفته از ریاضیات است، چنین ابزاری را فراهم می‌کند. این نظریه یک آزمون قطعی برای تشخیص بافتاری ارائه می‌دهد که بسیار کلی‌تر و قدرتمندتر از روش‌های قدیمی‌تر (مانند نابرابری بل) است. مزیت بزرگ آن این است که می‌تواند بافتاری را حتی در سیستم‌هایی که اجزای آن بر یکدیگر تأثیر می‌گذارند (سیگنال‌دهی)، تشخیص دهد؛ ویژگی‌ای که برای مدل‌سازی زبان ضروری است زیرا کلمات در یک جمله به وضوح بر معنای یکدیگر تأثیر می‌گذارند.
• نقش مدل زبانی BERT: پژوهشگران برای آزمودن فرضیه خود نیاز به داده‌های تجربی داشتند. آن‌ها از مدل زبانی عظیم BERT به عنوان یک «کاربر زبان» شبیه‌سازی‌شده استفاده کردند. فرآیند تحقیق به این صورت بود:
  1. طراحی یک الگوی کلی برای جملاتی که دارای ابهام ارجاعی هستند.
  2. ساخت نمونه‌های متعدد بر اساس این الگو با استفاده از کلمات و ساختارهای واقعی زبان.
  3. ارائه این جملات به BERT و درخواست از آن برای محاسبه احتمال اینکه ضمیر مبهم به هر یک از مراجع ممکن اشاره دارد. برای مثال، BERT ممکن است بگوید با احتمال ۹۸٪ «آن» به «گربه» و با احتمال ۲٪ به «حصار» اشاره دارد. این خروجی‌ها، «توزیع‌های احتمال» را تشکیل می‌دهند.
  4. اعمال آزمون بافتاری مبتنی بر نظریه شیف بر روی مجموعه توزیع‌های احتمال به دست آمده از BERT.

یافته اصلی و هیجان‌انگیز این مقاله این بود که آزمون بافتاری برای تعداد زیادی از نمونه‌های زبانی تولید شده، مثبت بود. این بدان معناست که ساختار وابستگی‌های معنایی در حل ابهامات ارجاعی، آن‌گونه که توسط یک مدل پیشرفته مانند BERT درک می‌شود، از نظر ریاضی با پدیده بافتاری در مکانیک کوانتوم قابل تشخیص نیست.

این نتیجه چند نکته مهم را آشکار می‌کند:

• فراتر از یک استعاره: شباهت بین زبان و کوانتوم صرفاً یک تشبیه زیبا نیست، بلکه یک هم‌ارزی ساختاری و فرمال است که می‌توان آن را با ریاضیات دقیق و داده‌های تجربی نشان داد.
• حضور ساختارهای غیرکلاسیک در زبان: این یافته نشان می‌دهد که مدل‌های آماری کلاسیک ممکن است برای توصیف کامل پیچیدگی‌های زبان کافی نباشند. زبان دارای ساختارهای وابستگی پیچیده‌ای است که شاید بهتر باشد آن‌ها را با ابزارهای الهام‌گرفته از نظریه کوانتوم مدل‌سازی کرد.
• اعتبار BERT به عنوان مدل شناختی: اینکه BERT، مدلی که صرفاً بر روی حجم عظیمی از متن آموزش دیده، چنین ساختار عمیقی را به طور خودکار فرا گرفته است، به اعتبار آن به عنوان مدلی برای مطالعه پردازش زبان در انسان می‌افزاید.

این پژوهش، گرچه بسیار نظری به نظر می‌رسد، پیامدها و کاربردهای بالقوه مهمی دارد:

• توسعه پردازش زبان طبیعی کوانتومی (QNLP): این مقاله یک سنگ بنای محکم برای حوزه نوپای QNLP است. اگر زبان واقعاً دارای ساختارهای کوانتومی است، پس کامپیوترهای کوانتومی، که به طور ذاتی بر اساس این ساختارها کار می‌کنند، ممکن است در آینده برای حل مسائل پیچیده زبان مانند درک معنای عمیق، استعاره و ابهام، بسیار کارآمدتر از کامپیوترهای کلاسیک باشند.
• ساخت مدل‌های هوش مصنوعی بهتر: درک این ساختارهای بافتاری می‌تواند به طراحان هوش مصنوعی کمک کند تا الگوریتم‌های جدیدی بسازند که در درک بافت و رفع ابهام، عملکردی شبیه‌تر به انسان داشته باشند. این می‌تواند منجر به دستیارهای هوشمندتر، ترجمه ماشینی دقیق‌تر و سیستم‌های پرسش و پاسخ توانمندتر شود.
• نگاهی نو به علوم شناختی: این یافته‌ها پرسش‌های جالبی را در مورد نحوه پردازش زبان در مغز انسان مطرح می‌کنند. آیا ممکن است فرآیندهای شناختی ما نیز دارای ویژگی‌های غیرکلاسیک و شبه‌کوانتومی باشند؟ این تحقیق می‌تواند الهام‌بخش همکاری‌های جدید بین دانشمندان کامپیوتر، فیزیکدانان و عصب‌شناسان باشد.

مقاله‌ی «مدل ابهامات ارجاعی مبتنی بر بافتاری شبه‌کوانتومی شیف‌-نظری و BERT» یک دستاورد برجسته در تلاقی علوم کامپیوتر، زبان‌شناسی و فیزیک است. این پژوهش با موفقیت نشان داد که یکی از چالش‌های بنیادین در درک زبان، یعنی ابهام ارجاعی، دارای یک ساختار математически دقیق است که با پدیده «بافتاری» در مکانیک کوانتوم مطابقت دارد. با استفاده از چارچوب قدرتمند نظریه شیف برای آزمون و مدل زبانی پیشرفته BERT برای تولید داده، این مقاله از یک فرضیه جسورانه، یک نتیجه تجربی محکم استخراج کرد. این کار نه تنها درک ما از ساختار پنهان زبان را عمیق‌تر می‌کند، بلکه افق‌های جدیدی را برای استفاده از قدرت محاسبات کوانتومی در جهت حل پیچیده‌ترین مسائل هوش مصنوعی می‌گشاید و آینده‌ای را نوید می‌دهد که در آن ماشین‌ها زبان را نه فقط در سطح، که در عمق درک می‌کنند.