TensorFlow Quantum (TFQ) เป็นเฟรมเวิร์ก Python สำหรับ การเรียนรู้ของเครื่องควอนตัม TFQ ช่วยให้นักวิจัยอัลกอริทึมควอนตัมและนักวิจัยแอปพลิเคชัน ML สามารถใช้ประโยชน์จากกรอบการคำนวณควอนตัมของ Google ได้จากภายใน TensorFlow
TensorFlow Quantum มุ่งเน้นไปที่ ข้อมูลควอนตัม และสร้าง แบบจำลองควอนตัมคลาสสิกแบบไฮบริด มีเครื่องมือในการแทรกระหว่างอัลกอริทึมควอนตัมและตรรกะที่ออกแบบใน Cirq ด้วย TensorFlow จำเป็นต้องมีความเข้าใจพื้นฐานเกี่ยวกับคอมพิวเตอร์ควอนตัมเพื่อใช้ TensorFlow Quantum อย่างมีประสิทธิภาพ
ในการเริ่มต้นกับ TensorFlow Quantum โปรดดู คู่มือการติดตั้ง และอ่าน บทแนะนำโน้ตบุ๊กที่ รันได้บางส่วน
ออกแบบ
TensorFlow Quantum ใช้ส่วนประกอบที่จำเป็นในการรวม TensorFlow เข้ากับฮาร์ดแวร์คอมพิวเตอร์ควอนตัม ด้วยเหตุนี้ TensorFlow Quantum จึงนำเสนอ primitives ประเภทข้อมูลสองแบบ:
- วงจรควอนตัม - นี่แสดงถึงวงจรควอนตัมที่กำหนดโดย Cirq ภายใน TensorFlow สร้างชุดวงจรที่มีขนาดแตกต่างกันคล้ายกับชุดของจุดข้อมูลที่มีมูลค่าจริงที่แตกต่างกัน
- Pauli sum - แสดงการผสมเชิงเส้นของผลิตภัณฑ์เทนเซอร์ของตัวดำเนินการ Pauli ที่กำหนดไว้ใน Cirq เช่นเดียวกับวงจรสร้างชุดตัวดำเนินการที่มีขนาดแตกต่างกัน
การใช้แบบดั้งเดิมเหล่านี้เพื่อแสดงวงจรควอนตัม TensorFlow Quantum ให้การดำเนินการดังต่อไปนี้:
- ตัวอย่างจากการแจกแจงเอาต์พุตของชุดวงจร
- คำนวณค่าความคาดหวังของกลุ่มผลรวมของ Pauli ในชุดของวงจร TFQ ใช้การคำนวณการไล่ระดับสีที่เข้ากันได้กับ backpropagation
- จำลองชุดวงจรและสถานะ ในขณะที่การตรวจสอบแอมพลิจูดของสถานะควอนตัมทั้งหมดโดยตรงตลอดทั้งวงจรควอนตัมนั้นไม่มีประสิทธิภาพตามขนาดในโลกแห่งความเป็นจริงการจำลองสถานะสามารถช่วยให้นักวิจัยเข้าใจว่าวงจรควอนตัมแมปสถานะไปยังระดับความแม่นยำที่ใกล้เคียงกันได้อย่างไร
อ่านเพิ่มเติมเกี่ยวกับการใช้งาน TensorFlow Quantum ใน คู่มือการออกแบบ
รายงานปัญหา
รายงานข้อบกพร่องหรือคำขอคุณสมบัติโดยใช้ เครื่องมือติดตามปัญหา TensorFlow Quantum