En 2020, l'équipe Quantinuum basée à Oxford a effectué le traitement quantique du langage naturel (QNLP) sur du matériel quantique IBM [1, 2]. La clé pour avoir été en mesure de réaliser ce qui est conçu comme une tâche fortement axée sur les données est l'observation que la théorie quantique et le langage naturel sont régis par une grande partie de la même structure compositionnelle - c'est-à-dire la structure tensorielle.

Par conséquent, notre modèle de langage est en un sens quantique natif, et nous fournissons une analogie avec la simulation de systèmes quantiques en termes d'accélération algorithmique [à paraître]. Pendant ce temps, nous avons rendu tous nos logiciels disponibles en open source et avec support [github.com/CQCL/lambeq].

La correspondance compositionnelle entre le langage naturel et le quantique s'étend à d'autres domaines que le langage, et soutient qu'une nouvelle génération d'IA peut émerger en poussant pleinement cette analogie, tout en exploitant l'exhaustivité de la mécanique quantique catégorique / ZX-calcul [3, 4, 5] à de nouvelles fins de raisonnement qui vont de pair avec l'apprentissage automatique moderne.

[Contenu intégré]