Resumo Técnico: QNLP Composicional para o Árabe

Problema

Os modelos clássicos de processamento de linguagem natural (PLN), particularmente aqueles baseados em embeddings de palavras e transformers, frequentemente tratam sentenças como "sacos de palavras" (bags of words), descartando a ordem das palavras e baseando-se em estatísticas de coocorrência lexical. Embora eficaz essa aproximação para línguas com sintaxe rígida, ela falha severamente para o árabe, uma língua morfologicamente rica com ordem de palavras livre (permitindo estruturas Sujeito-Verbo-Objeto, Verbo-Sujeito-Objeto e Nominais) e um complexo sistema de morfologia de raiz e padrão.

O artigo postula que a complexidade estrutural do árabe fornece um campo de teste único para o Processamento de Linguagem Natural Composicional Quântico (QNLP). Especificamente, investiga se o framework DisCoCat (Discourse Compositional Category), que mapeia a estrutura gramatical para a topologia do circuito quântico, pode codificar informações estruturais de uma forma que seja causalmente distinta dos modelos lexicais clássicos. O desafio central é demonstrar que circuitos quânticos podem distinguir entre sentenças com vocabulário idêntico, mas estruturas gramaticais diferentes, e que essa distinção surge da topologia e do emaranhamento do circuito, em vez de parâmetros lexicais aprendidos.

Metodologia

Framework Teórico

O sistema utiliza a gramática de pregrupo, um formalismo de tipo-teoria onde palavras recebem tipos gramaticais (ex: substantivos como $n$, verbos transitivos como $n^r \otimes s \otimes n^l$). Uma sentença é gramatical se o produto tensorial de seus tipos de palavras reduz-se a um tipo de sentença $s$ via operações "cup" (copo). No cenário quântico (DisCoCat), esses diagramas de cordas são compilados em circuitos quânticos:

• Palavras tornam-se registradores de qubits.
• Dependências gramaticais tornam-se portas de emaranhamento.
• O significado da sentença é um resultado de medição.

Crucialmente, o artigo aproveita a correspondência formal entre a morfologia de raiz e padrão do árabe (onde raízes consonantais e padrões de vogais operam em fluxos de informação paralelos) e os produtos tensoriais quânticos (a formalização da composição paralela).

Arquitetura do Pipeline

Os autores desenvolveram um pipeline customizado para conectar o árabe a circuitos quânticos, abordando desafios como a escrita da direita para a esquerda, cliticização e ordem de palavras variável:

1. Análise Morfológica e Sintática: Utiliza CAMeL Tools para características morfológicas (raiz, padrão, aspecto) e Stanza para análise de dependência.
2. Detecção de Estrutura: Classifica sentenças como SVO, VSO ou Nominais.
3. Construção de Diagrama: Um módulo customizado (arabic_dep_reader.py) gera diagramas de pregrupo. Notavelmente, sentenças VSO requerem uma operação Swap no diagrama para alinhar os tipos de verbo ($s \otimes n^l \otimes n^l$) com seus argumentos, criando um circuito topologicamente distinto comparado a sentenças SVO ($n \otimes (n^r \otimes s \otimes n^l) \otimes n$).
4. Compilação de Circuito: Os diagramas são compilados em circuitos de Polinômio Quântico Instantâneo (IQP) usando a biblioteca lambeq.
   • L0 (Profundidade 0): Sem portas de emaranhamento; os qubits das palavras evoluem independentemente.
   • L1/L2: Portas de rotação controlada-Z parametrizadas introduzem emaranhamento.
5. Avaliação: Duas estratégias são empregadas:
   • Mapa de Características Quânticas (QFM): Parâmetros são fixados aos valores de embedding das palavras; um SVM classifica a saída.
   • SPSA (Simultaneous Perturbation Stochastic Approximation): Treinamento completo de ponta a ponta dos parâmetros do circuito.

Desenho Experimental

Três experimentos controlados foram conduzidos para isolar propriedades estruturais específicas:

1. Ordem das Palavras (Experimento 1): Uma tarefa de classificação binária (SVO vs. VSO) usando 120 pares de sentenças combinadas. Crucialmente, as mesmas três palavras aparecem em ambas as ordens, garantindo que qualquer modelo que exceda 50% de acurácia deva depender de informação estrutural, não de identidade lexical.
2. Tempo Morfológico (Experimento 2): Classificação binária de verbos no Passado vs. Presente, onde o sinal é primariamente lexical (formas de superfície diferentes).
3. Desambiguação de Sentido de Palavra (Experimento 3): Um conjunto de dados de vocabulário controlado envolvendo 200 sentenças com quatro verbos polissêmicos. O desenho utiliza pares exatos e pools compartilhados de objeto/sujeito para isolar sinais de desambiguação estrutural de sinais lexicais.

Principais Contribuições

1. Primeiro Sistema QNLP para o Árabe: A implementação de um sistema QNLP baseado em gramática de pregrupo para o árabe, incluindo regras gramaticais específicas para estruturas SVO, VSO e Nominais, e um pipeline que integra analisadores morfológicos árabes com compiladores de circuitos quânticos.
2. Ablação Causal do Emaranhamento: Um experimento controlado demonstrando que o emaranhamento parametrizado é a única causa de ganhos de desempenho em tarefas estruturais.
   • Baseline L0: Circuitos com topologia gramatical mas sem emaranhamento atingiram exatamente 50,0% de acurácia na tarefa de pares de ordem de palavras com zero variância entre todas as sementes e dobras (folds). Isso prova que, sem emaranhamento, o circuito não consegue codificar diferenças estruturais ao nível da sentença, independentemente da diferença topológica no diagrama.
   • Resultado L1: Adicionar uma única camada de portas de emaranhamento elevou a acurácia para 64,9% (média ± 3,2% std). O ganho de 15 pontos percentuais é atribuído causalmente ao emaranhamento.
3. Dataset de WSD Controlado por Vocabulário: A criação do primeiro dataset de desambiguação de sentido de palavra para o árabe usando pares combinados e pools lexicais compartilhados para testar rigorosamente sinais estruturais vs. lexicais.
4. Caracterização da Inversão de Rótulo SPSA: A identificação de um fenômeno onde o treinamento SPSA converge para uma solução invertida (separação correta, orientação errada) em tarefas binárias simétricas. O artigo demonstra que a codificação de qubit ancila (rastrear uma ancila para produzir uma matriz de densidade) reduz mensuravelmente esta taxa de inversão (ex: de 99% para 23% na tarefa do verbo qata'a).

Resultados

• Ordem das Palavras:

  • AraVec (Bag-of-Words): 12,8% (abaixo do acaso devido a anti-correlações espúrias nos pares combinados).
  • Apenas Topologia (0 parâmetros): 35,8% (raw), o que implica 64,2% de acurácia após corrigir para uma fronteira de decisão invertida, confirmando que o sinal topológico existe, mas é difícil de acessar sem emaranhamento.
  • QFM L0: 50,0% (Zero variância; teorema estrutural).
  • QFM L1: 64,9% (IC [62,8, 66,3]).
  • AraBERT (Fine-tuned): 100% (Limite superior Oracle, dependendo de codificações posicionais).
  • Curvas de Aprendizado: À medida que os dados de treinamento aumentavam, o desempenho do QFM L1 melhorava (56% $\to$ 67%), enquanto o desempenho do AraVec degradava (46% $\to$ 19%), confirmando que o modelo quântico extrai sinais estruturais enquanto modelos clássicos falham em pares combinados.

• Tempo Morfológico:

  • Modelos clássicos (AraVec: 87%) superaram os modelos quânticos (QFM: 56%, SPSA: 46,8%). Isso confirma que quando o sinal é lexical (formas de palavras diferentes), os embeddings clássicos são superiores, e a topologia do circuito quântico é menos informativa para esta tarefa específica.

• Desambiguação de Sentido de Palavra (WSD):

  • Os resultados foram mistos. O QFM geralmente performou próximo ao acaso (47,4% agrupado), pois o sinal estrutural para desambiguação de sentido é codificado nos valores dos parâmetros, não na topologia.
  • O SPSA alcançou desempenho acima do acaso após correção simétrica (ex: 79,5% para qata'a), demonstrando que o treinamento pode alinhar o circuito com sutis características de estrutura de argumentos.
  • A codificação de ancila reduziu significativamente as taxas de inversão de rótulo do SPSA em tarefas simétricas.

Significância e Alegações

O artigo afirma que sua principal significância não reside em superar os modelos clássicos de última geração (que o AraBERT faz facilmente), mas em fornecer um sinal estrutural interpretável e causalmente identificado que é fundamentalmente diferente dos mecanismos clássicos.

1. Distinção Mecanística: A ablação L0 de variância zero prova que a capacidade do circuito quântico de distinguir a ordem das palavras não é um artefato do aprendizado de estatísticas lexicais, mas uma consequência direta do emaranhamento atuando sobre uma topologia derivada da gramática.
2. Justificativa Teórica para o Árabe: O artigo argumenta que o árabe é a língua ideal para QNLP porque sua morfologia de raiz e padrão corresponde formalmente à composição paralela (autômatos de múltiplas fitas), que mapeia naturalmente para produtos tensoriais quânticos. Este alinhamento estrutural é único entre as línguas atualmente presentes na literatura de QNLP.
3. Potencial de Baixo Recurso: Ao codificar o conhecimento estrutural na topologia do circuito em vez de depender de corpora massivos de treinamento, o QNLP oferece um caminho para um PLN de alta qualidade para o árabe em condições de baixos recursos.
4. Rigor Metodológico: A introdução de avaliação controlada por vocabulário e a caracterização das taxas de inversão SPSA abordam falhas específicas em benchmarks de PLN existentes e práticas de otimização.

Os autores concluem que, embora a acurácia bruta seja modesta comparada aos transformers ajustados, os resultados oferecem um "sinal estrutural mensurável, interpretável e causalmente identificado" que conecta a tradição gramatical árabe com a mecânica quântica, lançando as bases para futuros experimentos de hardware e arquiteturas tensoriais morfológicas.