Quantinuum améliore la première boîte à outils de traitement quantique du langage naturel au monde, la rendant encore plus puissante

Quantinuum est une société d’informatique quantique logicielle et matérielle intégrée qui utilise des ions piégés pour sa technologie de calcul. Il a récemment publié une mise à jour importante de sa bibliothèque et de sa boîte à outils Python open source Lambeq, du nom du mathématicien Joachim Lambek. Lambeq (orthographié avec un Q pour quantique) est la première et la seule boîte à outils qui convertit les phrases en circuits quantiques en utilisant le sens et la structure des phrases pour déterminer l’intrication quantique.

Cambridge Quantum a initialement développé la boîte à outils avant sa fusion avec Honeywell Quantum Solutions pour former une nouvelle société nommée Quantinuum. Au sein de la société fusionnée, Cambridge Quantum agit comme sa branche logicielle quantique.

Selon Ilyas Khan, PDG de Quantinuum, Cambridge Quantum est toujours commercialisé sous sa marque car il dispose d’une large clientèle et de relations commerciales et techniques importantes au sein de l’industrie.

Pourquoi le traitement quantique du langage naturel est important

Le traitement du langage naturel (NLP) est une forme d’intelligence artificielle qui permet aux ordinateurs de comprendre des mots et des phrases. Tous les segments de l’industrie utilisent fortement la PNL, son utilisation devrait augmenter de plus de 27 % par an au cours des cinq prochaines années.

Alors que la PNL est puissante, le traitement quantique du langage naturel (QNLP) promet d’être encore plus puissant que la PNL en convertissant le langage en circuits codés pouvant fonctionner sur des ordinateurs quantiques.

L’application de QNLP à l’intelligence artificielle peut l’améliorer considérablement. Une grande quantité de données est nécessaire pour former des modèles d’IA, et l’informatique quantique accélérera considérablement le processus de formation, réduisant éventuellement des mois de formation à de simples heures ou minutes.

Les modèles de langage NLP actuels construits avec des modèles de transformateurs et des réseaux de neurones profonds consomment une énergie considérable, ce qui crée des problèmes environnementaux. Au cours de la décennie, les ordinateurs quantiques passeront de centaines à des millions de qubits, permettant des versions étendues de QNLP qui seront plus efficaces, plus rapides, traiteront d’énormes ensembles de données et nécessiteront moins d’énergie avec un impact environnemental moindre.

Améliorations Lambeq

La nouvelle version de Quantinuum Lambeq QNLP comporte plusieurs améliorations clés :

• Le package de formation Lambeqs prend en charge les bibliothèques d’apprentissage supervisé populaires telles que PyTorch pour aider les utilisateurs à former efficacement les tâches NLP à l’aide de circuits quantiques et de réseaux de tenseurs générés
• La boîte à outils peut désormais créer plus de circuits quantiques
• Il sera plus facile de définir des circuits quantiques en utilisant une structure de phrase en utilisant des diagrammes sans contexte (syntaxe)
• La boîte à outils a amélioré la visualisation de sa sortie
• La documentation étendue contient de nombreux exemples à suivre par les utilisateurs généraux
• Une nouvelle interface de ligne de commande est maintenant disponible, mettant la plupart des fonctionnalités de la boîte à outils à la disposition des utilisateurs qui ont peu ou pas de connaissances en programmation
• Un nouveau module de formation supervisée simplifie la formation de circuits quantiques paramétrés et de réseaux de tenseurs pour l’apprentissage automatique

En plus des améliorations ci-dessus, Lambeq dispose d’un nouvel analyseur basé sur les neurones nommé Bobcat. Les analyseurs déterminent le sens d’une phrase en la décomposant en ses parties. Les humains, plutôt que les ordinateurs, ont effectué la formation pour Bobcat en annotant les ensembles de données de mots et les sources d’informations. Dans l’intérêt de la communauté, Bobcat sera également publié en tant qu’outil open source autonome distinct dans le futur.

Depuis son introduction, les chercheurs ont utilisé la boîte à outils pour faire progresser des applications QNLP pratiques et réelles telles que le dialogue automatisé, l’exploration de texte, la traduction linguistique, la synthèse vocale, la génération de langage et la bioinformatique.

Comment fonctionne le traitement quantique du langage naturel

Convertir une phrase en circuits quantiques est compliqué. Cependant, QNLP a l’avantage d’être quantique natif, ce qui signifie que le langage a mathématiquement une structure de composition similaire à celle utilisée dans les systèmes quantiques. De plus, Lambeq a une conception modulaire qui permet aux utilisateurs d’échanger des composants dans et hors du modèle, ce qui offre une flexibilité dans la conception de l’architecture. Voici une version simplifiée du fonctionnement du processus QNLP :

• QNLP convertit une phrase dans un format logique (arbre de syntaxe) afin qu’un ordinateur puisse la comprendre.
• Le logiciel organise l’arbre syntaxique en parties du discours en utilisant la linguistique mathématique pour différencier les verbes, les noms, les prépositions et les adjectifs.
• Les parties de la phrase sont ensuite étiquetées en fonction des relations entre les mots.
• La phrase est convertie en un diagramme de chaînes, un peu comme les diagrammes de phrases que vous avez appris à l’école primaire.
• Après avoir été encodés, les réseaux de tenseurs ou les circuits quantiques mis en œuvre avec TKET sont prêts à être optimisés pour des tâches d’apprentissage automatique telles que la classification de texte.

Considérations

Il est important de noter que deux véritables pionniers du QNLP sur trois travaillent désormais ensemble en tant que chercheurs seniors chez Quantinuum. Le professeur Stephen Clark est le responsable de l’intelligence artificielle de Quantinuums et le professeur Bob Coecke en est le scientifique en chef.

La base de QNLP est le cadre DisCoCat (modèle de distribution de composition catégorique) développé par Bob Coecke, Stephen Clark et Mehrnoosh Sarzadeh en 2010. Une fois publié, DisCoCat est rapidement devenu l’étalon-or car il était unique à toutes les autres méthodes en combinant à la fois le sens et grammaire dans un modèle de langue unique.

Patrick Moorhead, fondateur, PDG et analyste en chef de Moor Insights & Strategy, a récemment eu une intéressante discussion en deux parties sur QNLP, le quantum et l’IA avec Bob Coecke, scientifique en chef chez Quantinuum. Les vidéos sont accessibles sur la chaîne YouTube Moor Insights and Strategy. La première partie peut être vue ici et la deuxième partie peut être visionnée ici.

De nombreuses applications NLP importantes dépassent les capacités des ordinateurs classiques. Alors que le QNLP et les ordinateurs quantiques continuent de s’améliorer et de se développer, de nombreuses applications quantiques commerciales pratiques émergeront en cours de route. Compte tenu de l’expertise et de l’expérience du professeur Clark et du professeur Coecke, ainsi que d’un ensemble collectif de leurs recherches QNLP, Quantinuum a un avantage stratégique clair dans les applications QNLP actuelles et futures.

Remarques des analystes :

• Dans l’annonce de l’année dernière, la boîte à outils s’appelait lambeq. Les documents de recherche font référence à la boîte à outils de la même manière. Cependant, l’annonce actuelle de Quantinuums fait référence à la boîte à outils sous le nom d’ambeq. Pour simplifier, je fais référence à la boîte à outils sous le nom de Lambeq dans cet article.
• La recherche QNLP est encore au stade expérimental. Il faudra plusieurs années avant qu’il ait suffisamment avancé pour se déployer dans un environnement de production à grande échelle. QNLP est principalement inexploré, et Lambeq a ouvert la porte aux chercheurs pour utiliser et faire progresser la technologie pour des applications plus larges, plus importantes et plus uniques.
• Les limitations QNLP résultent des limitations de mise à l’échelle des machines NISQ d’aujourd’hui. Mais malgré ces limitations, les premières recherches sur le QNLP sont essentielles pour nous aider à comprendre et à faire progresser la science du QNLP et de l’informatique quantique. Finalement, il y aura d’importantes utilisations réelles de QNLP.
• S’il est vrai que Lambeq est la première boîte à outils pour QNLP, il existe d’autres boîtes à outils créées pour le développement QML générique.
• Lambeq est disponible en tant que référentiel Python conventionnel sur GitHub et est disponible ici :
• Plus de détails sur la nouvelle version peuvent être trouvés ici.
• La documentation et les tutoriels sont disponibles ici.

Suivez Paul Smith Goodson sur Twitter pour des informations actuelles sur le quantique et l’IA

Remarque : les rédacteurs et éditeurs de Moor Insights & Strategy peuvent avoir contribué à cet article.

Moor Insights & Strategy, comme toutes les sociétés d’analyse de l’industrie de la recherche et de la technologie, fournit ou a fourni des services payants aux entreprises technologiques. Ces services comprennent la recherche, l’analyse, le conseil, le conseil, l’analyse comparative, le jumelage d’acquisitions ou le parrainage de conférences. La société a eu ou a actuellement des relations commerciales rémunérées avec 88, A10 Networks, Advanced Micro Devices, Amazon, Ambient Scientific, Anuta Networks, Applied Micro, Apstra, Arm, Aruba Networks (maintenant HPE), AT&T, AWS, A-10 Strategies , Bitfusion, Blaize, Box, Broadcom, Calix, Cisco Systems, Clear Software, Cloudera, Clumio, Cognitive Systems, CompuCom, CyberArk, Dell, Dell EMC, Dell Technologies, Diablo Technologies, Dialogue Group, Digital Optics, Dreamium Labs, Echelon, Ericsson, Extreme Networks, Flex, Foxconn, Frame (maintenant VMware), Fujitsu, Gen Z Consortium, Glue Networks, GlobalFoundries, Revolve (maintenant Google), Google Cloud, Graphcore, Groq, Hiregenics, HP Inc., Hewlett Packard Enterprise, Honeywell , Huawei Technologies, IBM, IonVR, Inseego, Infosys, Infiot, Intel, Interdigital, Jabil Circuit, Konica Minolta, Lattice Semiconductor, Lenovo, Linux Foundation, Luminar, MapBox, Marvell Technology, Mavenir, Marseille Inc, Mayfair Equity, Meraki (Cisco ), Mésosphère, Microsoft, Mojo Network ks, National Instruments, NetApp, Nightwatch, NOKIA (Alcatel-Lucent), Nortek, Novumind, NVIDIA, Nutanix, Nuvia (maintenant Qualcomm), ON Semiconductor, ONUG, OpenStack Foundation, Oracle, Panasas, Peraso, Pexip, Pixelworks, Plume Design , Poly (anciennement Plantronics), Portworx, Pure Storage, Qualcomm, Rackspace, Rambus, Rayvolt E-Bikes, Red Hat, Residio, Samsung Electronics, SAP, SAS, Scale Computing, Schneider Electric, Silver Peak (maintenant Aruba-HPE), Stockage optique SONY, Springpath (maintenant Cisco), Spirent, Splunk, Sprint (maintenant T-Mobile), Stratus Technologies, Symantec, Synaptics, Syniverse, Synopsys, Tanium, TE Connectivity, TensTorrent, Tobii Technology, T-Mobile, Twitter, Unity Technologies, UiPath, Verizon Communications, Vidyo, VMware, Wave Computing, Wellsmith, Xilinx, Zayo, Zebra, Zeeda, Zoho et Zscaler. Patrick Moorhead, fondateur, PDG et analyste en chef de Moor Insights & Strategy, est un investisseur personnel dans les sociétés technologiques dMY Technology Group Inc. VI et Dreamium Labs.