qrouter

Quantenbasierte natürliche Sprachsuche für wissenschaftliches Wissen.

Ein Forschungsartefakt: Leiten Sie Anfragen an relevante Texte weiter, indem Sie beide als Quantenzustände kodieren (DisCoCat-Tensordiagramme, die in variationelle Schaltkreise kompiliert wurden) und mittels Born-Regel-Überlappung bewerten. Derzeit klassisch simulierbar; konzipiert, um auch auf Quantinuum H-Series- und (mit Einbettung) Xanadu-Photonik-Prozessoren zu laufen.

Live-Demo: https://qrouter.ask-meridian.uk

$ curl 'https://qrouter.ask-meridian.uk/rank?q=photons+going+through+barriers&top_k=3'

Siehe docs/deploy.md für die Hosting-Architektur (systemd + Cloudflare Tunnel auf einer gemeinsam genutzten VM) und wie man den Server zwischen stub- und lambeq-Backends umschaltet.

Status

Arbeitstitel. Tag-1-Gerüst. Kein Produkt. Nicht stabil. Noch nicht einmal meinungsstark.

Was dies ist und was nicht

Ist: ein Experiment, ob kompositionelle Quanten-Semantik-Struktur (à la Coecke et al.) ein bedeutsam anderes Suchverhalten liefert als klassische dichte Einbettungen — insbesondere bei kleinen Korpora, bei denen die geometrische Struktur wichtiger ist als die Skalierung.

Ist nicht: eine schnellere Suchmaschine, ein besserer Embedder oder etwas, das Sie in der Produktion verwenden sollten. Quantenschaltkreissimulation ist langsamer als cosine(a, b) auf klassischer Hardware. Der Punkt ist, ob die Struktur wichtig ist, nicht ob sie schnell ist.

Stack

Python 3.12+
lambeq — DisCoCat-Parsing + Schaltkreiskompilierung
PennyLane — variationelle Quantenschaltkreise + Autodiff
JAX — Gradienten (lambeq unterstützt dieses Backend)
pytest, ruff
uv für das Umgebungsmanagement

Plan für die erste Woche

Tag 1-2: Coecke "Mathematical Foundations of QNLP" (2020) + Lorenz et al. "QNLP in Practice" (2023) lesen. Das MNIST-Tutorial von lambeq ausführen.
Tag 3-4: 50 arXiv quant-ph Abstracts → DisCoCat-Parses → simulierte Schaltkreise → paarweise Born-Regel-Überlappung → Spielzeug-Such-Demo.
Tag 5-6: An MCP stdio anbinden, damit qrouter von Claude / Cursor / Windsurf als Tool aufgerufen werden kann.
Tag 7: Entscheidung treffen — tiefer in reine QNLP eintauchen oder in Richtung photonisches Reservoir-Frontend abzweigen.

Referenzen

Coecke, B., de Felice, G., Meichanetzidis, K., Toumi, A. (2020). Foundations for Near-Term Quantum Natural Language Processing.
Lorenz, R., Pearson, A., Meichanetzidis, K., Kartsaklis, D., Coecke, B. (2023). QNLP in Practice: Running Compositional Models of Meaning on a Quantum Computer. JAIR 76.
Quantinuum lambeq: https://github.com/CQCL/lambeq