तकनीकी सारांश: अरबी के लिए क्वांटम कंपोजिशनल एनएलपी (Quantum Compositional NLP)

समस्या विवरण (Problem Statement)

शास्त्रीय नेचुरल लैंग्वेज प्रोसेसिंग (NLP) मॉडल, विशेष रूप से वर्ड एम्बेडिंग और ट्रांसफॉर्मर पर आधारित मॉडल, अक्सर वाक्यों को "बैग ऑफ वर्ड्स" (शब्दों के थैले) के रूप में देखते हैं, जिससे शब्द क्रम लुप्त हो जाता है और वे केवल लेक्सिकल सह-उपस्थिति सांख्यिकी (lexical co-occurrence statistics) पर निर्भर रहते हैं। जबकि यह कठोर वाक्य संरचना वाले भाषाओं के लिए प्रभावी है, यह अरबी के लिए गंभीर रूप से विफल रहता है, जो एक रूपात्मक रूप से समृद्ध (morphologically rich) भाषा है जिसमें मुक्त शब्द क्रम (SVO, VSO, और नाममात्र संरचनाओं की अनुमति देता है) और एक जटिल रूट-एंड-पैटर्न (root-and-pattern) मॉर्फोलॉजी सिस्टम है।

यह शोध पत्र प्रस्तावित करता है कि अरबी की संरचनात्मक जटिलता क्वांटम कंपोजिशनल नेचुरल लैंग्वेज प्रोसेसिंग (QNLP) के लिए एक अद्वितीय परीक्षण स्थल प्रदान करती है। विशेष रूप से, यह जांच करता है कि क्या DisCoCat (डिस्कोकेट - डिस्कोर्स कंपोजिशनल कैटेगरी) फ्रेमवर्क, जो व्याकरणिक संरचना को क्वांटम सर्किट टोपोलॉजी में मैप करता है, संरचनात्मक जानकारी को इस तरह से एनकोड कर सकता है जो शास्त्रीय लेक्सिकल मॉडलों से स्पष्ट रूप से भिन्न हो। मुख्य चुनौती यह प्रदर्शित करना है कि क्वांटम सर्किट समान शब्दावली लेकिन भिन्न व्याकरणिक संरचनाओं वाले वाक्यों के बीच अंतर कर सकते हैं, और यह अंतर सीखा गया लेक्सिकल पैरामीटर नहीं बल्कि सर्किट की टोपोलॉजी और एंटैंगलमेंट (entanglement) से उत्पन्न होता है।

कार्यप्रणाली (Methodology)

सैद्धांतिक ढांचा (Theoretical Framework)

यह प्रणाली प्रिग्रुप ग्रामर (pregroup grammar) का उपयोग करती है, जो एक टाइप-थ्योरेटिक औपस्वादिक (formalism) है जहाँ शब्दों को व्याकरणिक प्रकार दिए जाते हैं (जैसे, संज्ञा को $n$, और सकर्मक क्रिया को $n^r \otimes s \otimes n^l$ के रूप में)। एक वाक्य व्याकरणिक होता है यदि उसके शब्द प्रकारों का टेंसर उत्पाद "कप" (cup) ऑपरेशन्स के माध्यम से एक वाक्य प्रकार $s$ में कम हो जाता है। क्वांटम सेटिंग (DisCoCat) में, इन स्ट्रिंग डायग्राम्स को क्वांटम सर्किटों में संकलित किया जाता है:

• शब्द क्यूबिट रजिस्टरों में बदल जाते हैं।
• व्याकरणिक निर्भरताएं एंटैंगलिंग गेट्स (entangling gates) बन जाती हैं।
• वाक्य का अर्थ एक माप परिणाम (measurement outcome) है।

महत्वपूर्ण रूप से, यह शोध पत्र अरबी के रूट-एंड-पैटर्न मॉर्फोलॉजी (जहाँ व्यंजन मूल और स्वर पैटर्न समानांतर सूचना धाराओं पर कार्य करते हैं) और क्वांटम टेंसर उत्पादों (समानांतर संरचना का औपचारिकीकरण) के बीच औपचारिक पत्राचार का लाभ उठाता है।

पाइपलाइन आर्किटेक्चर (Pipeline Architecture)

लेखकों ने अरबी को क्वांटम सर्किटों से जोड़ने के लिए एक कस्टम पाइपलाइन विकसित की है, जो राइट-टू-लेफ्ट स्क्रिप्ट, क्लिटिकाइजेशन (cliticization), और परिवर्तनशील शब्द क्रम जैसी चुनौतियों का समाधान करती है:

1. रूपात्मक और वाक्यात्मक विश्लेषण (Morphological & Syntactic Analysis): रूपात्मक विशेषताओं (मूल, पैटर्न, पक्ष) के लिए CAMeL टूल्स और डिपेंडेंसी पार्सिंग के लिए Stanza का उपयोग करता है।
2. संरचना का पता लगाना (Structure Detection): वाक्यों को SVO, VSO, या नाममात्र (Nominal) के रूप में वर्गीकृत करता है।
3. डायग्राम निर्माण (Diagram Construction): एक कस्टम मॉड्यूल (arabic_dep_reader.py) प्रिग्रुप डायग्राम बनाता है। विशेष रूप से, VSO वाक्यों को अपने तर्कों (arguments) के साथ क्रिया के प्रकारों ($s \otimes n^l \otimes n^l$) को संरेखित करने के लिए डायग्राम में एक स्वैप ऑपरेशन (Swap operation) की आवश्यकता होती है, जो SVO वाक्यों ($n \otimes (n^r \otimes s \otimes n^l) \otimes n$) की तुलना में एक टोपोलॉजिकली विशिष्ट सर्किट बनाता है।
4. सर्किट संकलन (Circuit Compilation): डायग्राम को lambeq लाइब्रेरी का उपयोग करके इंस्टेंटेनियस क्वांटम पॉलिनॉमियल (IQP) सर्किटों में संकलित किया जाता है।
   • L0 (डेप्थ 0): कोई एंटैंगलिंग गेट नहीं; शब्द क्यूबिट स्वतंत्र रूप से विकसित होते हैं।
   • L1/L2: पैरामीटराइज्ड कंट्रोल्ड-Z रोटेशन गेट्स एंटैंगलमेंट पेश करते हैं।
5. मूल्यांकन (Evaluation): दो रणनीतियों का उपयोग किया जाता है:
   • क्वांटम फीचर मैप (QFM): पैरामीटर को वर्ड एम्बेडिंग मानों पर स्थिर किया जाता है; एक SVM आउटपुट को वर्गीकृत करता है।
   • SPSA (Simultaneous Perturbation Stochastic Approximation): सर्किट पैरामीटर्स का पूर्ण एंड-टू-एंड प्रशिक्षण।

प्रयोगात्मक डिजाइन (Experimental Design)

विशिष्ट संरचनात्मक गुणों को अलग करने के लिए तीन नियंत्रित प्रयोग किए गए:

1. शब्द क्रम (प्रयोग 1): 120 मैच किए गए जोड़े वाक्यों का उपयोग करके एक बाइनरी क्लासिफिकेशन कार्य (SVO बनाम VSO)। महत्वपूर्ण रूप से, दोनों क्रमों में समान तीन शब्द दिखाई देते हैं, यह सुनिश्चित करते हुए कि कोई भी मॉडल जो 50% सटीकता से अधिक प्राप्त करता है, वह संरचनात्मक जानकारी पर निर्भर है, न कि लेक्सिकल पहचान पर।
2. रूपात्मक काल (प्रयोग 2): भूतकाल बनाम वर्तमान काल की क्रियाओं का बाइनरी क्लासिफिकेशन, जहाँ सिग्नल मुख्य रूप से लेक्सिकल है (अलग-अलग सतही रूप)।
3. वर्ड सेंस डिसएम्बिग्युएशन (प्रयोग 3): चार बहुअर्थी (polysemous) क्रियाओं से जुड़े 200 वाक्यों का एक शब्दावली-नियंत्रित डेटासेट। यह डिज़ाइन लेक्सिकल संकेतों से संरचनात्मक विसंगति संकेतों को अलग करने के लिए सटीक मैच किए गए जोड़े और साझा ऑब्जेक्ट/सब्जेक्ट पूल का उपयोग करता है।

मुख्य योगदान (Key Contributions)

1. प्रथम अरबी QNLP सिस्टम: अरबी के लिए एक प्रिग्रुप ग्रामर-आधारित QNLP सिस्टम का कार्यान्वयन, जिसमें SVO, VSO और नाममात्र संरचनाओं के लिए विशिष्ट व्याकरण नियम और अरबी मॉर्फोलॉजिकल एनालाइजर को क्वांटम सर्किट कंपाइलर के साथ एकीकृत करने वाली पाइपलाइन शामिल है।
2. एंटैंगलमेंट का कॉज़ल एब्लेशन (Causal Ablation of Entanglement): एक नियंत्रित प्रयोग जो प्रदर्शित करता है कि पैरामीटराइज्ड एंटैंगलमेंट ही संरचनात्मक कार्यों में प्रदर्शन लाभ का एकमात्र कारण है।
   • L0 बेसलाइन: बिना एंटैंगलमेंट वाले सर्किट (केवल व्याकरण टोपोलॉजी के साथ) ने मैच किए गए जोड़े वाले शब्द क्रम कार्य पर 50.0% सटीकता प्राप्त की, जिसमें सभी सीड्स और फोल्ड्स में शून्य विचरण (zero variance) था। यह सिद्ध करता है कि बिना एंटैंगलमेंट के, सर्किट डायग्राम में टोपोलॉजिकल अंतर के बावजूद, वाक्य-स्तरीय संरचनात्मक अंतर को एनकोड नहीं कर सकता है।
   • L1 परिणाम: एंटैंगलिंग गेट्स के एक स्तर को जोड़ने से सटीकता बढ़कर 64.9% (मीन ± 3.2% std) हो गई। यह 15-प्रतिशत अंक की वृद्धि कॉज़ली एंटैंगलमेंट के कारण है।
3. शब्दावली-नियंत्रित WSD डेटासेट: संरचनात्मक बनाम लेक्सिकल संकेतों का कठोरता से परीक्षण करने के लिए मैच किए गए जोड़े और साझा लेक्सिकल पूल का उपयोग करके पहला अरबी वर्ड सेंस डिसएम्बिग्युएशन डेटासेट बनाना।
4. SPSA लेबल इनवर्जन का लक्षण वर्णन: एक ऐसी घटना की पहचान करना जहाँ SPSA प्रशिक्षण सममित बाइनरी कार्यों में एक इनवर्टेड सॉल्यूशन (सही पृथक्करण, गलत ओरिएंटेशन) की ओर अभिसरित होता है। पेपर प्रदर्शित करता है कि एनसिला क्यूबिट एनकोडिंग (एक घन मैट्रिक्स बनाने के लिए एनसिला को ट्रेस करना) इस इनवर्जन दर को मापने योग्य रूप से कम करता है (उदाहरण के लिए, qata'a क्रिया कार्य पर 99% से 23% तक)।

परिणाम (Results)

• शब्द क्रम (Word Order):

  • AraVec (Bag-of-Words): 12.8% (मैच किए गए जोड़ों में स्प्यूरियस एंटी-कोरिलेशन के कारण चांस से नीचे)।
  • टोपोलॉजी-ओनली (0 params): 35.8% (रॉ), जिसका अर्थ है कि इनवर्टेड डिसीजन बाउंड्री को ठीक करने के बाद 64.2% सटीकता, जो पुष्टि करती है कि टोपोलॉजिकल सिग्नल मौजूद है लेकिन एंटैंगलमेंट के बिना इसे एक्सेस करना कठिन है।
  • QFM L0: 50.0% (शून्य विचरण; संरचनात्मक प्रमेय)।
  • QFM L1: 64.9% (CI [62.8, 66.3])।
  • AraBERT (Fine-tuned): 100% (ओरेकल अपर बाउंड, पोजीशनल एनकोडिंग पर निर्भर)।
  • लर्निंग कर्व्स: जैसे-जैसे प्रशिक्षण डेटा बढ़ा, QFM L1 का प्रदर्शन सुधरा (56% $\to$ 67%), जबकि AraVec का प्रदर्शन गिर गया (46% $\to$ 19%), जो पुष्टि करता है कि क्वांटम मॉडल संरचनात्मक संकेतों को निकालता है जबकि शास्त्रीय मॉडल मैच किए गए जोड़ों पर विफल हो जाते हैं।

• रूपात्मक काल (Morphological Tense):

  • शास्त्रीय मॉडलों (AraVec: 87%) ने क्वांटम मॉडलों (QFM: 56%, SPSA: 46.8%) को पछाड़ दिया। यह पुष्टि करता है कि जब सिग्नल लेक्सिकल होता है (अलग-अलग शब्द रूप), तो शास्त्रीय एम्बेडिंग्स बेहतर होती हैं, और क्वांटम सर्किट टोपोलॉजी इस विशिष्ट कार्य के लिए कम सूचनात्मक होती है।

• वर्ड सेंस डिसएम्बिग्युएशन (WSD):

  • परिणाम मिश्रित रहे। QFM आमतौर पर चांस के करीब रहा (पूल किया गया 47.4%), क्योंकि सेंस डिसएम्बिग्युएशन के लिए संरचनात्मक सिग्नल पैरामीटर मानों में एनकोड होता है न कि टोपोलॉजी में।
  • SPSA ने सममित सुधार के बाद चांस से ऊपर का प्रदर्शन प्राप्त किया (जैसे, qata'a के लिए 79.5%), जो दर्शाता है कि प्रशिक्षण सूक्ष्म तर्क-संरचना (argument-structure) विशेषताओं के साथ सर्किट को संरेखित कर सकता है।
  • एनसिला एनकोडिंग ने सममित कार्यों पर SPSA लेबल इनवर्जन दरों को काफी कम कर दिया।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि इसका प्राथमिक महत्व अत्याधुनिक शास्त्रीय मॉडलों (जिन्हें AraBERT आसानी से हरा देता है) से बेहतर प्रदर्शन करने में नहीं है, बल्कि एक काउज़ली आइडेंटिफाइड, इंटरप्रिटेबल स्ट्रक्चरल सिग्नल प्रदान करने में है जो मौलिक रूप से शास्त्रीय तंत्रों से भिन्न है।

1. मैकेनिस्टिक अंतर: शून्य-विचरण L0 एब्लेशन यह सिद्ध करता है कि शब्द क्रम को पहचानने की क्वांटम सर्किट की क्षमता लेक्सिकल सांख्यिकी सीखने का आर्टिफैक्ट नहीं है, बल्कि एंटैंगलमेंट का एक सीधा परिणाम है जो व्याकरण-व्युत्पन्न टोपोलॉजी पर कार्य करता है।
2. अरबी के लिए सैद्धांतिक औचित्य: पेपर तर्क देता है कि अरबी QNLP के लिए आदर्श भाषा है क्योंकि इसकी रूट-एंड-पैटर्न मॉर्फोलॉजी औपचारिक रूप से समानांतर संरचना (parallel composition) (मल्टी-टेप ऑटोमेटा) के अनुरूप है, जो स्वाभाविक रूप से क्वांटम टेंसर उत्पादों से मैप होती है। यह संरचनात्मक संरेखण वर्तमान QNLP साहित्य में मौजूद भाषाओं के बीच अद्वितीय है।
3. लो-रिसोर्स क्षमता: विशाल प्रशिक्षण कॉर्पस पर निर्भर रहने के बजाय संरचनात्मक ज्ञान को सर्किट टोपोलॉजी में एनकोड करके, QNLP कम-संसाधन वाली स्थितियों में उच्च-गुणवत्ता वाले अरबी NLP के लिए एक मार्ग प्रदान करता है।
4. मेथडोलॉजिकल रिगर (Methodological Rigor): शब्दावली-नियंत्रित मूल्यांकन का परिचय और SPSA इनवर्जन दरों का लक्षण वर्णन मौजूदा NLP बेंचमार्क और अनुकूलन प्रथाओं में विशिष्ट खामियों को संबोधित करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि कच्ची सटीकता फाइन-ट्यून्ड ट्रांसफॉर्मर की तुलना में मामूली है, परिणाम एक "मापने योग्य, व्याख्या योग्य, कॉज़ली आइडेंटिफाइड स्ट्रक्चरल सिग्नल" प्रदान करते हैं जो अरबी व्याकरणिक परंपरा को क्वांटम मैकेनिक्स के साथ जोड़ता है, जो भविष्य के हार्डवेयर प्रयोगों और मॉर्फोलॉजिकल टेंसर आर्किटेक्चर के लिए आधार तैयार करता है।