Stage-oe-small.jpg

Thema4864: Unterschied zwischen den Versionen

Aus Aifbportal
Wechseln zu:Navigation, Suche
 
(8 dazwischenliegende Versionen von 2 Benutzern werden nicht angezeigt)
Zeile 1: Zeile 1:
 
{{Abschlussarbeit
 
{{Abschlussarbeit
|Titel=Using Quantum Computing in  Natural Language Processing
+
|Titel=Quantum Computing for Natural Language Processing
 
|Abschlussarbeitstyp=Master, Diplom
 
|Abschlussarbeitstyp=Master, Diplom
 
|Betreuer=Michael Färber
 
|Betreuer=Michael Färber
 
|Forschungsgruppe=Web Science
 
|Forschungsgruppe=Web Science
 
|Abschlussarbeitsstatus=Offen
 
|Abschlussarbeitsstatus=Offen
|Beginn=2022/03/01
+
|Beginn=2023/07/01
|Ausschreibung=Abschlussarbeit_AIFB_QNLP.pdf
+
|Ausschreibung=Abschlussarbeit_AIFB_QNLP_v3.pdf
|Beschreibung DE==== Topic ===
+
|Beschreibung DE==== Thema ===
  
In recent years, first approaches have been proposed to apply techniques of quantum computing [0] to natural language processing (NLP) tasks, such as machine translation, question answering, and relation extraction from text. However, the practical applicability of quantum NLP (QNLP) has been investigated only to a limited degree so far. Examples are given in [1][2].  
+
In den letzten Jahren wurden erste Ansätze vorgeschlagen, Techniken des Quantencomputings [0] zur Verarbeitung natürlicher Sprache (NLP) anzuwenden, etwa zur maschinellen Übersetzung, zur Beantwortung von Fragen und zur Extraktion von Relationen aus Text. Allerdings ist die praktische Anwendbarkeit von Quanten-NLP (QNLP) bisher nur begrenzt untersucht worden. Beispiele sind in [1][2] angegeben.
  
In this thesis, the student is asked to first review state-of-the-art approaches for se-lected QNLP tasks, such as relation extraction. Based on existing frameworks, such as lambeq, the student will then design, implement, and evaluate experiments similar to [1] – to see the current limitations and potential of QNLP. The focus will be particularly on scaling up QNLP-implementations as far as possible given available hardware [3].  
+
Aufgabe dieser Abschlussarbeit ist es, zunächst aktuelle Ansätze für ausgewählte QNLP-Aufgaben, wie z. B. die Relationsextraktion, in der Literatur zu recherchieren und einzuordnen. Basierend auf bestehenden Frameworks wie Lambeq wird der Student dann ''einfache'' Experimente ähnlich wie [1] – entwerfen, implementieren und evaluieren, um die aktuellen Einschränkungen und Potenziale von QNLP zu erkennen. Der Fokus wird insbesondere darauf liegen, QNLP-Implementierungen so weit wie möglich bei vorhandener Hardware hochzuskalieren [3].
  
  
=== Prerequisites ===
+
=== Voraussetzungen ===
  
The student should have solid programming skills in Python. Furthermore, the student should be highly motivated to study the foundations of quantum computing and to proactively work on the project.
+
Der Student sollte über solide Programmierkenntnisse in Python verfügen. Darüber hinaus sollte der Studierende motiviert sein, sich mit den Grundlagen des Quantencomputings auseinanderzusetzen. Jedoch ist kein spezifisches mathematisches Vorwissen notwendig.
  
[0] https://www.youtube.com/watch?v=-y3CBaW50VA
 
  
[1] https://arxiv.org/pdf/2102.12846.pdf
+
[0] https://www.youtube.com/watch?v=-y3CBaW50VA
  
[2] https://github.com/CQCL/lambeq  
+
[1] https://arxiv.org/pdf/2102.12846.pdf
 +
 
 +
[2] https://github.com/CQCL/lambeq
  
 
[3] https://en.wikipedia.org/wiki/Cloud-based_quantum_computing
 
[3] https://en.wikipedia.org/wiki/Cloud-based_quantum_computing
 
}}
 
}}

Aktuelle Version vom 22. Juni 2023, 13:23 Uhr



Quantum Computing for Natural Language Processing




Informationen zur Arbeit

Abschlussarbeitstyp: Master, Diplom
Betreuer: Michael Färber
Forschungsgruppe: Web Science

Archivierungsnummer: 4864
Abschlussarbeitsstatus: Offen
Beginn: 01. Juli 2023
Abgabe: unbekannt

Weitere Informationen

Thema

In den letzten Jahren wurden erste Ansätze vorgeschlagen, Techniken des Quantencomputings [0] zur Verarbeitung natürlicher Sprache (NLP) anzuwenden, etwa zur maschinellen Übersetzung, zur Beantwortung von Fragen und zur Extraktion von Relationen aus Text. Allerdings ist die praktische Anwendbarkeit von Quanten-NLP (QNLP) bisher nur begrenzt untersucht worden. Beispiele sind in [1][2] angegeben.

Aufgabe dieser Abschlussarbeit ist es, zunächst aktuelle Ansätze für ausgewählte QNLP-Aufgaben, wie z. B. die Relationsextraktion, in der Literatur zu recherchieren und einzuordnen. Basierend auf bestehenden Frameworks wie Lambeq wird der Student dann einfache Experimente – ähnlich wie [1] – entwerfen, implementieren und evaluieren, um die aktuellen Einschränkungen und Potenziale von QNLP zu erkennen. Der Fokus wird insbesondere darauf liegen, QNLP-Implementierungen so weit wie möglich bei vorhandener Hardware hochzuskalieren [3].


Voraussetzungen

Der Student sollte über solide Programmierkenntnisse in Python verfügen. Darüber hinaus sollte der Studierende motiviert sein, sich mit den Grundlagen des Quantencomputings auseinanderzusetzen. Jedoch ist kein spezifisches mathematisches Vorwissen notwendig.


[0] https://www.youtube.com/watch?v=-y3CBaW50VA

[1] https://arxiv.org/pdf/2102.12846.pdf

[2] https://github.com/CQCL/lambeq

[3] https://en.wikipedia.org/wiki/Cloud-based_quantum_computing


Ausschreibung: Download (pdf)