TensorFlow Quantum
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
TensorFlow Quantum (TFQ) یک چارچوب پایتون برای یادگیری ماشین کوانتومی است. به عنوان یک چارچوب کاربردی، TFQ به محققان الگوریتم کوانتومی و محققان برنامه های کاربردی ML اجازه می دهد تا از چارچوب های محاسباتی کوانتومی گوگل، همه از درون TensorFlow استفاده کنند.
TensorFlow Quantum بر داده های کوانتومی و ساخت مدل های ترکیبی کوانتومی-کلاسیک تمرکز دارد. این ابزارها را برای به هم پیوستن الگوریتم های کوانتومی و منطق طراحی شده در Cirq با TensorFlow ارائه می دهد. برای استفاده موثر از TensorFlow Quantum به درک اولیه محاسبات کوانتومی نیاز است.
برای شروع کار با TensorFlow Quantum، راهنمای نصب را ببینید و برخی از آموزش‌های نوت‌بوک قابل اجرا را مطالعه کنید.
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 نوع داده اولیه را معرفی می کند:
- مدار کوانتومی - این یک مدار کوانتومی تعریف شده توسط Cirq در TensorFlow را نشان می دهد. دسته‌ای از مدارها با اندازه‌های مختلف، شبیه به دسته‌هایی از نقاط داده با ارزش واقعی مختلف ایجاد کنید.
- جمع پائولی - نشان دهنده ترکیب خطی محصولات تانسور عملگرهای پائولی است که در Cirq تعریف شده اند. مانند مدارها، دسته ای از اپراتورها با اندازه های مختلف ایجاد کنید.
TensorFlow Quantum با استفاده از این اولیه‌ها برای نشان دادن مدارهای کوانتومی، عملیات زیر را ارائه می‌کند:
- نمونه ای از توزیع های خروجی دسته های مدار.
- مقدار انتظاری دسته‌ای از مجموع پائولی را در دسته‌هایی از مدارها محاسبه کنید. TFQ محاسبه گرادیان سازگار با پس انتشار را پیاده سازی می کند.
- دسته ای از مدارها و حالت ها را شبیه سازی کنید. در حالی که بازرسی تمام دامنه های حالت کوانتومی به طور مستقیم در سراسر یک مدار کوانتومی در مقیاس در دنیای واقعی ناکارآمد است، شبیه‌سازی حالت می‌تواند به محققان کمک کند تا بفهمند چگونه یک مدار کوانتومی وضعیت‌ها را با دقت تقریباً دقیقی ترسیم می‌کند.
درباره پیاده سازی کوانتومی TensorFlow در راهنمای طراحی بیشتر بخوانید.
مشکلات را گزارش کنید
اشکالات یا درخواست‌های ویژگی را با استفاده از ردیاب TensorFlow Quantum گزارش دهید.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-25 بهوقت ساعت هماهنگ جهانی."],[],[],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)."]]
