مروری بر یادگیری ماشین کوانتومی در پردازش سیگنال گفتار

مروری بر یادگیری ماشین کوانتومی در پردازش سیگنال گفتار

ابوذر رستمی1 سید جهانشاه کبودیان2

1) دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه رازی،

کد IOI مقاله : AAHD-ABKCFH
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    پردازش سیگنال گفتار، به دلیل ماهیت زمانی، غیرایستا، چندلایه و تأثیرپذیر از نویز، لهجه، ویژگی‌های فردی و محتوای هیجانی، از مسائل پیچیده در یادگیری ماشین محسوب می‌شود. با وجود موفقیت چشمگیر روش‌های یادگیری عمیق، نیاز به بازنمایی‌های غنی‌تر و بررسی پارادایم‌های محاسباتی جدید همچنان وجود دارد. یادگیری ماشین کوانتومی با بهره‌گیری از ویژگی‌هایی مانند برهم‌نهی، درهم‌تنیدگی و فضای حالت بیش‌بُعد، مسیر تازه‌ای برای مدل‌سازی داده‌های گفتاری پیشنهاد می‌کند. از آنجا که گفتار داده‌ای کلاسیک است، اغلب روش‌های پردازش گفتار کوانتومی در چارچوب داده کلاسیک–پردازشگر کوانتومی قرار می‌گیرند؛ یعنی ویژگی‌های استخراج‌شده از گفتار به مدارهای کوانتومی نگاشت می‌شوند. این مقاله مبانی یادگیری ماشین کوانتومی و معماری‌های اصلی آن، شامل مدارهای کوانتومی وردشی، روش‌های کرنل کوانتومی، مدل‌های هیبریدی، ساختارهای کانولوشنی کوانتومی و معادل کوانتومی الگوریتم‌های کلاسیک پردازش سیگنال را بررسی می‌کند. نتایج تحلیل نشان می‌دهد که هرچند این رویکردها ظرفیت نظری قابل‌توجهی برای ایجاد نگاشت‌های غیرخطی و بازنمایی‌های بیش‌بُعد دارند، کاربرد عملی آن‌ها با چالش‌هایی نظیر بارگذاری داده، محدودیت کیوبیت، نویز سخت‌افزار، هزینه نمونه‌برداری، دشواری آموزش، مقیاس‌پذیری ماتریس کرنل و هزینه خوانش خروجی روبه‌رو است. همچنین، بسیاری از ادعاهای شتاب کوانتومی، بدون لحاظ کردن هزینه‌های آماده‌سازی داده، اندازه‌گیری و بازسازی کلاسیک خروجی، قابل اتکا نیست. بنابراین، در شرایط کنونی، معماری‌های هیبریدی و ارزیابی‌های واقع‌گرایانه در محیط‌های نویزی، مسیر عملی‌تری برای توسعه پردازش گفتار کوانتومی به شمار می‌آیند.

کلمات کلیدی : پردازش گفتار سیگنال گفتار محاسبات کوانتومی یادگیری ماشین کوانتومی پردازش گفتار کوانتومی