TensorFlow Quantum (TFQ) هو إطار Python للتعلم الآلي الكمومي . كإطار تطبيق ، يسمح TFQ للباحثين في خوارزمية الكم وباحثي تطبيقات ML بالاستفادة من أطر عمل الحوسبة الكمومية من Google ، وكل ذلك من داخل TensorFlow.
يركز TensorFlow Quantum على البيانات الكمية وبناء نماذج كلاسيكية كمومية هجينة . يوفر أدوات لتداخل خوارزميات الكم والمنطق المصمم في Cirq مع TensorFlow. مطلوب الفهم الأساسي للحوسبة الكمومية لاستخدام TensorFlow Quantum بشكل فعال.
لبدء استخدام TensorFlow Quantum ، راجع دليل التثبيت واقرأ بعض البرامج التعليمية للدفاتر القابلة للتشغيل.
التصميم
يقوم TensorFlow Quantum بتنفيذ المكونات اللازمة لدمج TensorFlow مع أجهزة الحوسبة الكمومية. تحقيقا لهذه الغاية ، يقدم TensorFlow Quantum اثنين من أنواع البيانات الأولية:
- الدائرة الكمومية - تمثل هذه الدائرة الكمومية المعرفة بواسطة Cirq داخل TensorFlow. قم بإنشاء مجموعات من دوائر ذات أحجام مختلفة ، تشبه مجموعات من نقاط بيانات مختلفة ذات قيمة حقيقية.
- مجموع باولي - يمثل مجموعات خطية من منتجات الموتر لعوامل باولي المحددة في سيرك. مثل الدوائر ، قم بإنشاء مجموعات من العوامل ذات الأحجام المختلفة.
باستخدام هذه البدائية لتمثيل الدوائر الكمومية ، يوفر TensorFlow Quantum العمليات التالية:
- عينة من توزيعات خرج دفعات من الدوائر.
- حساب القيمة التوقعية لمجموعات Pauli على دفعات من الدوائر. تطبق TFQ حساب التدرج المتوافق مع backpropagation.
- محاكاة مجموعات من الدوائر والحالات. أثناء فحص جميع اتساعات الحالة الكمية مباشرة في جميع أنحاء الدائرة الكمومية غير فعالة على نطاق واسع في العالم الحقيقي ، يمكن لمحاكاة الحالة مساعدة الباحثين على فهم كيفية تعيين الدوائر الكمومية للحالات إلى مستوى دقيق تقريبًا من الدقة.
اقرأ المزيد حول تنفيذ TensorFlow Quantum في دليل التصميم .
الإبلاغ عن المشكلات
أبلغ عن الأخطاء أو طلبات الميزات باستخدام أداة تتبع المشكلات TensorFlow Quantum .