TensorFlow الكم
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
TensorFlow Quantum (TFQ) هو إطار عمل Python لتعلم الآلة الكمومية . كإطار تطبيقي، يسمح TFQ لباحثي الخوارزميات الكمومية وباحثي تطبيقات تعلم الآلة بالاستفادة من أطر الحوسبة الكمومية من Google، كل ذلك من داخل TensorFlow.
يركز TensorFlow Quantum على البيانات الكمومية وبناء نماذج الكم الكلاسيكية الهجينة . يوفر أدوات لتشذير الخوارزميات الكمومية والمنطق المصمم في Cirq مع TensorFlow. مطلوب فهم أساسي للحوسبة الكمومية لاستخدام TensorFlow Quantum بشكل فعال.
للبدء في استخدام TensorFlow Quantum، راجع دليل التثبيت واقرأ بعض البرامج التعليمية الخاصة بدفتر الملاحظات القابل للتشغيل.
تصميم
يقوم TensorFlow Quantum بتنفيذ المكونات اللازمة لدمج TensorFlow مع أجهزة الحوسبة الكمومية. ولتحقيق هذه الغاية، يقدم TensorFlow Quantum نوعين من البيانات الأولية:
- الدائرة الكمومية - تمثل دائرة كمية محددة بواسطة Cirq داخل TensorFlow. قم بإنشاء دفعات من الدوائر ذات أحجام مختلفة، مماثلة لمجموعات من نقاط البيانات ذات القيمة الحقيقية المختلفة.
- مجموع باولي - يمثل مجموعات خطية من منتجات موتر مشغلي باولي المحددة في Cirq. مثل الدوائر، قم بإنشاء مجموعات من المشغلين بأحجام مختلفة.
باستخدام هذه البدائيات لتمثيل الدوائر الكمومية، يوفر TensorFlow Quantum العمليات التالية:
- عينة من توزيعات الإخراج لدفعات من الدوائر.
- احسب القيمة المتوقعة لدفعات مبالغ باولي على دفعات من الدوائر. ينفذ TFQ حساب التدرج المتوافق مع الانتشار العكسي.
- محاكاة دفعات من الدوائر والدول. في حين أن فحص جميع سعات الحالة الكمومية مباشرة عبر الدائرة الكمومية غير فعال على نطاق واسع في العالم الحقيقي، فإن محاكاة الحالة يمكن أن تساعد الباحثين على فهم كيفية قيام الدائرة الكمومية بتعيين الحالات إلى مستوى قريب من الدقة.
اقرأ المزيد حول تطبيق TensorFlow Quantum في دليل التصميم .
الإبلاغ عن المشكلات
قم بالإبلاغ عن الأخطاء أو طلبات الميزات باستخدام أداة تعقب المشكلات TensorFlow Quantum .
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-07-25 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-07-25 (حسب التوقيت العالمي المتفَّق عليه)"],[],[],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)."]]
