Stage-oe-small.jpg

Thema4864: Unterschied zwischen den Versionen

Aus Aifbportal
Wechseln zu:Navigation, Suche
Zeile 7: Zeile 7:
 
|Beginn=2022/03/01
 
|Beginn=2022/03/01
 
|Ausschreibung=Abschlussarbeit_AIFB_QNLP.pdf
 
|Ausschreibung=Abschlussarbeit_AIFB_QNLP.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 selected 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, ist kein spezifisches Vorwissen notwendig!
  
  
  
[0] https://www.youtube.com/watch?v=-y3CBaW50VA  
+
[0] https://www.youtube.com/watch?v=-y3CBaW50VA
  
[1] https://arxiv.org/pdf/2102.12846.pdf  
+
[1] https://arxiv.org/pdf/2102.12846.pdf
  
[2] https://github.com/CQCL/lambeq  
+
[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
 
}}
 
}}

Version vom 26. April 2022, 20:22 Uhr



Using Quantum Computing in Natural Language Processing




Informationen zur Arbeit

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

Archivierungsnummer: 4864
Abschlussarbeitsstatus: Offen
Beginn: 01. März 2022
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, ist kein spezifisches 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)