ควอนตัมเทนเซอร์โฟลว์
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
TensorFlow Quantum (TFQ) เป็นเฟรมเวิร์ก Python สำหรับ การเรียนรู้ของเครื่องควอนตัม ในฐานะเฟรมเวิร์กแอปพลิเคชัน TFQ ช่วยให้นักวิจัยอัลกอริทึมควอนตัมและนักวิจัยแอปพลิเคชัน ML ใช้ประโยชน์จากเฟรมเวิร์กการประมวลผลควอนตัมของ Google ทั้งหมดนี้จากภายใน TensorFlow
TensorFlow Quantum มุ่งเน้นไปที่ ข้อมูลควอนตัม และการสร้าง โมเดลควอนตัมคลาสสิกแบบไฮบริด มีเครื่องมือในการแทรกอัลกอริธึมควอนตัมและตรรกะที่ออกแบบใน Cirq ด้วย TensorFlow จำเป็นต้องมีความเข้าใจพื้นฐานเกี่ยวกับการคำนวณควอนตัมจึงจะใช้ TensorFlow Quantum ได้อย่างมีประสิทธิภาพ
หากต้องการเริ่มต้นใช้งาน TensorFlow Quantum โปรดดู คู่มือการติดตั้ง และอ่าน บทช่วยสอนสมุดบันทึก ที่รันได้บางส่วน
ออกแบบ
TensorFlow Quantum ใช้ส่วนประกอบที่จำเป็นในการผสานรวม TensorFlow เข้ากับฮาร์ดแวร์การประมวลผลควอนตัม ด้วยเหตุนี้ TensorFlow Quantum จึงแนะนำประเภทข้อมูลพื้นฐานสองประเภท:
- วงจรควอนตัม — นี่แสดงถึงวงจรควอนตัมที่กำหนดโดย Cirq ภายใน TensorFlow สร้างชุดวงจรที่มีขนาดแตกต่างกัน คล้ายกับชุดของจุดข้อมูลมูลค่าจริงที่แตกต่างกัน
- ผลรวมของเพาลี - แสดงถึงผลรวมเชิงเส้นของผลิตภัณฑ์เทนเซอร์ของตัวดำเนินการเพาลีที่กำหนดใน Cirq เช่นเดียวกับวงจร สร้างชุดตัวดำเนินการที่มีขนาดแตกต่างกัน
การใช้พื้นฐานเหล่านี้เพื่อแสดงวงจรควอนตัม TensorFlow Quantum ให้การดำเนินการต่อไปนี้:
- ตัวอย่างจากการกระจายเอาท์พุตของชุดวงจร
- คำนวณค่าคาดหวังของชุดของผลรวมของ Pauli บนชุดของวงจร TFQ ใช้การคำนวณการไล่ระดับสีที่เข้ากันได้กับ backpropagation
- จำลองชุดวงจรและสถานะ แม้ว่าการตรวจสอบแอมพลิจูดของสถานะควอนตัมทั้งหมดโดยตรงตลอดวงจรควอนตัมนั้นไม่มีประสิทธิภาพในขนาดในโลกแห่งความเป็นจริง การจำลองสถานะสามารถช่วยให้นักวิจัยเข้าใจว่าวงจรควอนตัมจะแมปสถานะให้มีระดับความแม่นยำใกล้เคียงกันได้อย่างไร
อ่านเพิ่มเติมเกี่ยวกับการใช้งาน TensorFlow Quantum ใน คู่มือการออกแบบ
รายงานปัญหา
รายงานจุดบกพร่องหรือคำขอคุณสมบัติโดยใช้ เครื่องมือติดตามปัญหา TensorFlow Quantum
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-07-25 UTC
[null,null,["อัปเดตล่าสุด 2025-07-25 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)."]]
