مروری بر یادگیری ماشین کوانتومی در پردازش سیگنال گفتار

پردازش سیگنال گفتار به دلیل ماهیت زمانی غیر ایستا، چندلایه و تاثیرپذیر از نویز، لهجه، ویژگی های فردی و محتوای هیجانی از مسائل پیچیده در یادگیری ماشین محسوب می شود. با وجود موفقیت چشمگیر روش های یادگیری عمیق، نیاز به بازنمایی های غنی تر و بررسی پارادایم های محاسباتی جدید همچنان وجود دارد. یادگیری ماشین کوانتومی با بهره گیری از ویژگی هایی مانند برهم نهی، درهم تنیدگی و فضای حالت بیش بعد مسیر تازه ای برای مدل سازی داده های گفتاری پیشنهاد می کند. از آنجا که گفتار داده ای کلاسیک است، اغلب روش های پردازش گفتار کوانتومی در چارچوب داده کلاسیک پردازشگر کوانتومی قرار می گیرند؛ یعنی ویژگی های استخراج شده از گفتار به مدارهای کوانتومی نگاشت می شوند. این مقاله مبانی یادگیری ماشین کوانتومی و معماری های اصلی آن شامل مدارهای کوانتومی، روش های کرنل کوانتومی، مدل های هیبریدی، ساختارهای کانولوشنی کوانتومی و معادل کوانتومی الگوریتم های کلاسیک پردازش سیگنال را بررسی می کند. نتایج تحلیل نشان می دهد که هر چند این رویکردها ظرفیت نظری قابل توجهی برای ایجاد نگاشت های غیرخطی و بازنمایی های بیش بعد دارند، کاربرد عملی آن ها با چالش هایی نظیر بارگذاری داده، محدودیت کیوبیت، نویز سخت افزار، هزینه نمونه برداری، دشواری آموزش، مقیاس پذیری ماتریس کرنل و هزینه خوانش خروجی روبرو است. همچنین بسیاری از ادعاهای شتاب کوانتومی بدون لحاظ کردن هزینه های آماده سازی داده، اندازه گیری و بازسازی کلاسیک خروجی قابل اتکا نیست. بنابراین در شرایط کنونی، معماری های هیبریدی و ارزیابی های واقع گرایانه در محیط های نویزی مسیر عملی تری برای توسعه پردازش گفتار کوانتومی به شمار می آیند.

کلیدواژه ها:

پردازش گفتار ، سیگنال گفتار ، محاسبات کوانتومی ، یادگیری ماشین کوانتومی ، پردازش گفتار کوانتومی