ＴensorFlow Quantum（TFQ）是一个量子机器学习库。据谷歌AI博客称，TFQ专注于量子数据并建立混合量子经典模型，它集成了Cirq设计的量子计算算法和逻辑，使用标准Keras函数并提供与现有TensorFlow API兼容的量子电路模拟器和量子计算原语，可以创建量子ML模型。量子算法和应用程序的研究可以利用Google的量子计算框架，所有这些都来自TensorFlow。

什么是量子ML模型？

量子模型具有表示和泛化具有量子力学起源的数据的能力。但是，要理解量子模型，必须引入两个概念：量子数据和混合量子经典模型。

量子数据表现出叠加和纠缠，从而导致联合概率分布，这可能需要成倍数量的经典计算资源来表示或存储。量子数据可以在量子处理器/传感器/网络上生成/模拟，包括化学物质和量子的模拟物质，量子控制，量子通信网络，量子计量学等等。关键的见解是，由NISQ处理器生成的量子数据是嘈杂的，通常在测量发生之前就被纠缠了，但是，将量子机器学习应用于嘈杂的纠缠量子数据可以最大程度地提取有用的经典信息。这些技术为TFQ库提供了开发模型的原语，这些模型可解开并概括量子数据中的相关性，为改进现有的量子算法或发现新的量子算法提供了机会。

引入的第二个概念是混合量子经典模型。术语量子处理器仍然很小且嘈杂，量子模型不能单独使用量子处理器-NISQ处理器将需要与经典处理器协同工作才能发挥作用。TensorFlow已经支持跨CPU，GPU和TPU的异构计算，因此实验混合量子经典算法的自然平台s.TFQ包含指定量子计算所需的基本结构，例如量子位，门，电路和测量运算符，然后可以在仿真或实际硬件上执行用户指定的量子计算。用户为NISQ机器（例如编译器和调度程序）设计了高效的算法，并使混合量子经典算法的实现能够在量子电路模拟器以及最终在量子处理器上运行。我们已经使用TensorFlow Quantum进行了混合量子经典卷积神经网络网络，用于量子控制的机器学习，用于量子神经网络的分层学习，量子动力学学习，混合量子态的生成建模以及通过经典递归神经网络学习通过量子神经网络进行学习。我们对这些量子应用进行了综述。在TFQ白皮书中；每个示例都可以通过Colab在我们的浏览器中运行TFQ的工作原理。

TFQ是如何工作的？

TFQ使研究人员可以在单个计算图中将量子数据集，量子模型和经典控制参数构建为张量。

TensorFlow Ops获得导致经典概率事件的量子测量结果，可以使用标准Keras函数进行训练。为了提供有关如何使用量子数据的直觉，可以考虑使用量子神经网络对量子态进行监督分类。与经典ML一样，量子ML的关键挑战是对“噪声数据”进行分类。一个模型，研究人员可以执行以下操作：

• 准备一个量子数据集-将量子数据作为张量（数字的多维数组）加载。每个量子数据张量被指定为用Cirq编写的量子电路，该电路实时生成量子数据。张量由TensorFlow在量子计算机来生成量子数据集。
• 评估量子神经网络模型-研究人员可以使用Cirq对量子神经网络进行原型设计，然后将其嵌入TensorFlow计算图中。基于量子数据的结构知识，可以从几大类中选择参数化的量子模型。该模型的一个功能是执行量子处理，以提取隐藏在通常纠缠状态下的信息。换句话说，量子模型实质上是对输入的量子数据进行解纠缠，从而使隐藏的信息以经典的相关性进行编码，从而可以进行局部测量。和经典的后处理。
• 量子态的样本或平均测量以样本形式从经典随机变量中提取经典信息，该随机变量的值分布通常取决于量子态本身和所测得的可观测值，因为许多变分算法都取决于均值测量值（也称为期望值）提供了一种方法，用于对涉及步骤（1）和（2）的多个运行求平均值。
• 评估经典神经网络模型-一旦提取了经典信息，其格式便可以进行进一步的经典后处理。由于提取的信息仍可能以测得期望之间的经典相关性进行编码，因此可以将经典深层神经网络应用于提炼出这种相关性。
• 评估成本函数-根据经典后处理的结果，对成本函数进行评估，这可以基于如果标记了量子数据则模型执行分类任务的准确性，或者如果任务不受监督则基于其他标准。
• 评估梯度和更新参数-评估成本函数后，应沿预期降低成本的方向更新管道中的自由参数，这通常是通过梯度下降执行的。