ترجمه فارسی مقاله پردازش زبان طبیعی کوانتومی مقیاس پذیر و قابل تفسیر: پیاده سازی بر روی یون های به دام افتاده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Scalable and interpretable quantum natural language processing: an implementation on trapped ions
عنوان مقاله به فارسی پردازش زبان طبیعی کوانتومی مقیاس پذیر و قابل تفسیر: پیاده سازی بر روی یون های به دام افتاده
نویسندگان Tiffany Duneau, Saskia Bruhn, Gabriel Matos, Tuomas Laakkonen, Katerina Saiti, Anna Pearson, Konstantinos Meichanetzidis, Bob Coecke
فرمت مقاله انگلیسی PDF
تعداد صفحات 60
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantum Physics,فیزیک کوانتومی ,
توضیحات Submitted 13 September, 2024; originally announced September 2024. , Comments: 60 pages, 50 figures
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 60 صفحه ، 50 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We present the first implementation of text-level quantum natural language processing, a field where quantum computing and AI have found a fruitful intersection. We focus on the QDisCoCirc model, which is underpinned by a compositional approach to rendering AI interpretable: the behaviour of the whole can be understood in terms of the behaviour of parts, and the way they are put together. Interpretability is crucial for understanding the unwanted behaviours of AI. By leveraging the compositional structure in the model's architecture, we introduce a novel setup which enables 'compositional generalisation': we classically train components which are then composed to generate larger test instances, the evaluation of which asymptotically requires a quantum computer. Another key advantage of our approach is that it bypasses the trainability challenges arising in quantum machine learning. The main task that we consider is the model-native task of question-answering, and we handcraft toy scale data that serves as a proving ground. We demonstrate an experiment on Quantinuum's H1-1 trapped-ion quantum processor, which constitutes the first proof of concept implementation of scalable compositional QNLP. We also provide resource estimates for classically simulating the model. The compositional structure allows us to inspect and interpret the word embeddings the model learns for each word, as well as the way in which they interact. This improves our understanding of how it tackles the question-answering task. As an initial comparison with classical baselines, we considered transformer and LSTM models, as well as GPT-4, none of which succeeded at compositional generalisation.

چکیده به فارسی (ترجمه ماشینی)

ما اولین اجرای پردازش زبان طبیعی کوانتومی در سطح متن را ارائه می دهیم ، فیلدی که در آن محاسبات کوانتومی و هوش مصنوعی تقاطع مثمر ثمر پیدا کرده اند.ما بر روی مدل qDiscocirc تمرکز می کنیم ، که تحت تأثیر یک رویکرد ترکیبی برای ارائه AI قابل تفسیر است: رفتار کل را می توان از نظر رفتار قطعات و نحوه جمع آوری آنها درک کرد.تفسیر برای درک رفتارهای ناخواسته هوش مصنوعی بسیار مهم است.با استفاده از ساختار ترکیبی در معماری مدل ، ما یک مجموعه جدید را معرفی می کنیم که "تعمیم ترکیبی" را امکان پذیر می کند: ما به طور کلاسیک قطعات را آموزش می دهیم که سپس برای تولید نمونه های تست بزرگتر تشکیل می شوند ، ارزیابی اینکه بدون علامت به یک کامپیوتر کوانتومی نیاز دارد.یکی دیگر از مزیت های مهم رویکرد ما این است که از چالش های قابلیت آموزش ناشی از یادگیری ماشین کوانتومی دور می شود.کار اصلی که ما در نظر می گیریم وظیفه بومی مدل برای پاسخ به سؤال است ، و ما داده های مقیاس اسباب بازی دستی را که به عنوان یک زمینه اثبات کننده عمل می کند ، انجام می دهیم.ما یک آزمایش در مورد پردازنده کوانتومی یون به دام افتاده H1-1 به دام افتاده ، که اولین اثبات اجرای مفهوم QNLP ترکیبی مقیاس پذیر است ، نشان می دهیم.ما همچنین تخمین منابع را برای شبیه سازی کلاسیک مدل ارائه می دهیم.ساختار ترکیبی به ما این امکان را می دهد تا کلمه تعبیه شده را که مدل برای هر کلمه می آموزد ، و همچنین نحوه تعامل آنها بازرسی و تفسیر کنیم.این درک ما از چگونگی مقابله با وظیفه پاسخ به سؤال را بهبود می بخشد.به عنوان یک مقایسه اولیه با پایه های کلاسیک ، ما مدلهای ترانسفورماتور و LSTM و همچنین GPT-4 را در نظر گرفتیم که هیچکدام در تعمیم ترکیبی موفق نبودند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.