基于图到电路的 QNLP 金融情感分析

我们研究了一个受—QDisCoCirc—启发式的、分块的图到电路量子自然语言处理(QNLP)模型，用于对金融文本进行三类情感分类。在经典仿真中，我们通过将每个句子分解为短而连续的块来保持Hilbert空间维度可控。每个块映射到一个浅层量子电路， resulting Bloch 向量用作量子 token 的序列。简单的块向量平均会忽略词序和句法角色。因此，我们在原始Bloch向量序列上添加一个小型Transformer 编码器，并为每个块附加一个基于CCG的类型嵌入。这一混合设计保留了量子 token 在物理上可解释的语义轴，同时允许经典侧模型捕捉词序和长程依赖。序列模型在 averaging baseline 上的测试 macro-F1 分数显著提高，块级归因进一步表明，evidential mass浓缩在少数几个块上，类型嵌入更可靠地用于正确预测句子。对于金融领域的实际量子语言处理应用，未来的关键挑战包括避免分块的电路设计以及设计用于块间融合的层。