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.