Quantum Machine Learning Applied To Natural Language Processing

Abstract

Avec l’expansion continue des réseaux sociaux, les internautes partagent leurs pensées et points de vue via divers supports, comme les textes. Malgré cette participation active, l’analyse des sentiments demeure un défi majeur en raison du volume important de textes provenant de sources diverses. Elle a suscité un intérêt considérable dans le domaine de traitement automatique du langage naturel (NLP). Elle offre des informations précieuses sur l’opinion publique, les retours clients et les expériences utilisateurs. Par ailleurs, la mécanique quantique a transformé notre compréhension de l’environnement, et l’une de ses branches, l’apprentissage automatique quantique (QML), qui a démontré des résultats théoriques précis et cohérents. Cependant, les approches QML appliquées à l’analyse des sentiments restent encore au stade théorique. Dans cette thèse, nous nous concentrons sur l’évaluation d’une approche de QML, à savoir les réseaux de neurones convolutifs quantiques (QCNN), pour la classification des critiques de films. Ce modèle représente une conception de réseau de neurones quantiques inspirée des réseaux de neurones convolutifs (CNN) et utilisant exclusivement des circuits quantiques paramétrés. De plus, nous étudions comment différents modèles QCNN, distingués par le nombre de qubits utilisés et les structures des circuits quantiques paramétrés, peuvent améliorer les erformances de la classification des sentiments sur des ensembles de données artificiels et réels de critiques de films.