TensorFlow Quantum
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
TensorFlow Quantum (TFQ) היא מסגרת Python ללמידת מכונה קוונטית . כמסגרת יישומים, TFQ מאפשרת לחוקרי אלגוריתמים קוונטיים וחוקרי יישומי ML למנף את מסגרות המחשוב הקוונטי של גוגל, הכל מתוך TensorFlow.
TensorFlow Quantum מתמקדת בנתונים קוונטיים ובבניית מודלים קוונטיים-קלאסיים היברידיים . הוא מספק כלים לשזירת אלגוריתמים קוונטיים ולוגיקה שתוכננו ב- Cirq עם TensorFlow. נדרשת הבנה בסיסית של מחשוב קוונטי כדי להשתמש ביעילות ב- TensorFlow Quantum.
כדי להתחיל עם TensorFlow Quantum, עיין במדריך ההתקנה וקרא כמה ממדריכי ההדרכה למחברת הניתנים להרצה.
לְעַצֵב
TensorFlow Quantum מיישמת את הרכיבים הדרושים לשילוב TensorFlow עם חומרת מחשוב קוונטי. לשם כך, TensorFlow Quantum מציגה שני פרימיטיבים של סוגי נתונים:
- מעגל קוונטי - זה מייצג מעגל קוונטי המוגדר Cirq בתוך TensorFlow. צור קבוצות של מעגלים בגודל משתנה, בדומה לקבוצות של נקודות נתונים שונות בעלות ערך אמיתי.
- סכום פאולי - מייצג שילובים ליניאריים של תוצרי טנזור של אופרטורים פאולי המוגדרים ב-Cirq. כמו מעגלים, צור קבוצות של מפעילים בגודל משתנה.
באמצעות הפרימיטיבים הללו לייצוג מעגלים קוונטיים, TensorFlow Quantum מספק את הפעולות הבאות:
- דוגמה מהתפלגות פלט של קבוצות של מעגלים.
- חשב את ערך הצפי של קבוצות של סכומי פאולי על קבוצות של מעגלים. TFQ מיישמת חישוב שיפוע תואם להפצה לאחור.
- הדמיית קבוצות של מעגלים ומצבים. בעוד שבדיקת כל אמפליטודות המצב הקוונטי ישירות לאורך מעגל קוונטי אינה יעילה בקנה מידה בעולם האמיתי, הדמיית מצב יכולה לעזור לחוקרים להבין כיצד מעגל קוונטי ממפה מצבים לרמת דיוק כמעט מדויקת.
קרא עוד על הטמעת TensorFlow Quantum במדריך העיצוב .
דווח על בעיות
דווח על באגים או בקשות תכונה באמצעות מעקב הבעיות של TensorFlow Quantum .
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2025-07-25 (שעון UTC).
[null,null,["עדכון אחרון: 2025-07-25 (שעון UTC)."],[],[],null,["# TensorFlow Quantum\n\n\u003cbr /\u003e\n\nTensorFlow Quantum (TFQ) is a Python framework for\n[quantum machine learning](/quantum/concepts). As an application framework, TFQ allows\nquantum algorithm researchers and ML application researchers to leverage\nGoogle's quantum computing frameworks, all from within TensorFlow.\n\nTensorFlow Quantum focuses on *quantum data* and building *hybrid\nquantum-classical models* . It provides tools to interleave quantum algorithms\nand logic designed in\n[Cirq](https://github.com/quantumlib/Cirq) with\nTensorFlow. A basic understanding of quantum computing is required to\neffectively use TensorFlow Quantum.\n\nTo get started with TensorFlow Quantum, see the [install guide](/quantum/install) and\nread through some of the runnable\n[notebook tutorials](./tutorials/hello_many_worlds).\n\nDesign\n------\n\nTensorFlow Quantum implements the components needed to integrate TensorFlow with\nquantum computing hardware. To that end, TensorFlow Quantum introduces two\ndatatype primitives:\n\n- *Quantum circuit* ---This represents a Cirq-defined quantum circuit within TensorFlow. Create batches of circuits of varying size, similar to batches of different real-valued datapoints.\n- *Pauli sum* ---Represent linear combinations of tensor products of Pauli operators defined in Cirq. Like circuits, create batches of operators of varying size.\n\nUsing these primitives to represent quantum circuits, TensorFlow Quantum\nprovides the following operations:\n\n- Sample from output distributions of batches of circuits.\n- Calculate the expectation value of batches of Pauli sums on batches of circuits. TFQ implements backpropagation-compatible gradient calculation.\n- Simulate batches of circuits and states. While inspecting all quantum state amplitudes directly throughout a quantum circuit is inefficient at scale in the real world, state simulation can help researchers understand how a quantum circuit maps states to a near exact level of precision.\n\nRead more about the TensorFlow Quantum implementation in the\n[design guide](/quantum/design).\n\nReport issues\n-------------\n\nReport bugs or feature requests using the\n[TensorFlow Quantum issue tracker](https://github.com/tensorflow/quantum/issues)."]]
