TensorFlow Quantum ist eine Bibliothek für hybrides quantenklassisches maschinelles Lernen.

# A hybrid quantum-classical model.
model = tf.keras.Sequential([
    # Quantum circuit data comes in inside of tensors.
    tf.keras.Input(shape=(), dtype=tf.dtypes.string),

    # Parametrized Quantum Circuit (PQC) provides output
    # data from the input circuits run on a quantum computer.
    tfq.layers.PQC(my_circuit, [cirq.Z(q1), cirq.X(q0)]),

    # Output data from quantum computer passed through model.
    tf.keras.layers.Dense(50)
])

TensorFlow Quantum (TFQ) ist eine Quanten-Machine-Learning- Bibliothek für das schnelle Prototyping hybrider quantenklassischer ML-Modelle. Die Forschung zu Quantenalgorithmen und -anwendungen kann die Quantencomputing-Frameworks von Google nutzen, und zwar alles innerhalb von TensorFlow.

TensorFlow Quantum konzentriert sich auf Quantendaten und den Aufbau hybrider quantenklassischer Modelle . Es integriert in Cirq entwickelte Quantencomputing-Algorithmen und -Logik und bietet Quantencomputing-Primitive, die mit bestehenden TensorFlow-APIs kompatibel sind, zusammen mit Hochleistungs-Quantenschaltungssimulatoren. Lesen Sie mehr im TensorFlow Quantum-Whitepaper .

Beginnen Sie mit der Übersicht und führen Sie dann die Notebook-Tutorials aus .