این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

کوانتوم TensorFlow

TensorFlow Quantum (TFQ) یک چارچوب پایتون برای یادگیری ماشین کوانتومی است . به عنوان یک چارچوب کاربرد ، TFQ به محققان الگوریتم کوانتومی و محققان برنامه ML اجازه می دهد تا چارچوب های محاسبات کوانتومی Google را ، از درون TensorFlow ، اعمال کنند.

TensorFlow Quantum بر روی داده های کوانتومی و ساخت مدل های کلاسیک کوانتومی ترکیبی تمرکز دارد. این ابزار ابزاری برای پیوند دادن الگوریتم های کوانتومی و منطق طراحی شده در Cirq با TensorFlow است. درک اساسی از محاسبات کوانتومی برای استفاده موثر از TensorFlow Quantum مورد نیاز است.

برای شروع کار با TensorFlow Quantum ، به راهنمای نصب مراجعه کنید و برخی از آموزشهای نوت بوک قابل اجرا را بخوانید.

طرح

TensorFlow Quantum اجزای مورد نیاز برای ادغام TensorFlow با سخت افزار محاسبات کوانتومی را پیاده سازی می کند. برای این منظور ، TensorFlow Quantum دو اولیه از داده های داده را معرفی می کند:

  • مدار کوانتومی: این یک مدار کوانتومی تعریف شده با Cirq را در TensorFlow نشان می دهد. دسته ای از مدارهای با اندازه متفاوت ، شبیه به دسته های مختلف از داده های با ارزش واقعی ایجاد کنید.
  • Pauli sum - ترکیبی خطی از محصولات تنشی اپراتورهای پولی را که در Cirq تعریف شده اند ، ارائه دهید. مانند مدارها ، دسته هایی از اپراتورها با اندازه های مختلف ایجاد کنید.

با استفاده از این اولیه برای نشان دادن مدارهای کوانتومی ، TensorFlow Quantum عملیات زیر را ارائه می دهد:

  • نمونه ای از توزیع خروجی دسته ای از مدارها.
  • مقدار انتظار از دسته مبالغ پائولی را در دسته مدارها محاسبه کنید. TFQ محاسبه گرادیان سازگار با backpropagation را انجام می دهد.
  • دسته ها از مدارها و حالتها را شبیه سازی کنید. در حالی که بازرسی از همه دامنه های حالت کوانتومی به طور مستقیم در سراسر یک مدار کوانتومی در مقیاس در دنیای واقعی ناکارآمد است ، شبیه سازی حالت می تواند به محققان کمک کند تا درک کنند که چگونه نقشه های مدار کوانتومی به سطح دقیقی از سطح دقیق می پردازند.

در مورد راهنمای اجرای طرح TensorFlow Quantum بیشتر بخوانید.

گزارش مشکلات

اشکالات یا درخواست ویژگی را با استفاده از ردیاب شماره TensorFlow Quantum گزارش دهید .