深度量子线路在提升量子问答质量中的启示
计算与语言
2023-05-18 v1 人工智能
量子物理
摘要
问答（QA）已被证明是自然语言处理（NLP）和人工智能（AI）领域的一项艰巨挑战。人们已做出许多尝试来开发完整的QA解决方案，并通过改进QA系统的重要子模块来随时间提升整体性能。问题是QA中最重要的部分，因为知道问题就等同于知道什么算作答案（Harrah in Philos Sci, 1961 [1]）。在这项工作中，我们试图通过使用量子机器学习（QML）来更好地理解问题。量子计算（QC）的特性使得经典上难处理的数据处理成为可能。因此，在本文中，我们使用基于量子的分类器算法——来自Qiskit（量子信息科学工具包） for Python的量子支持向量机（QSVM）和变分量子分类器（VQC），对来自SelQA（基于选择的问答）数据集的两类问题进行了问题分类。我们在几乎相似的环境中用两种分类器执行分类，并研究线路深度的影响，同时比较两种分类器的结果。我们还将此分类结果与我们自己的基于规则的QA系统结合使用，观察到显著的性能提升。因此，该实验有助于总体上提升QA的质量。
引用
@article{arxiv.2305.07374,
title = {Implications of Deep Circuits in Improving Quality of Quantum Question Answering},
author = {Pragya Katyayan and Nisheeth Joshi},
journal= {arXiv preprint arXiv:2305.07374},
year = {2023}
}
备注
26 pages, 7 Figures, 11 Tables, Book Chapter of Book: Quantum Computing: A Shift from Bits to Qubits, Springer, 2023