ＴensorFlow Quantum（TFQ）是一個量子機器學習庫。據谷歌AI博客稱，TFQ專注於量子數據並建立混合量子經典模型，它集成了Cirq設計的量子計算算法和邏輯，使用標準Keras函數並提供與現有TensorFlow API兼容的量子電路模擬器和量子計算原語，可以創建量子ML模型。量子算法和應用程序的研究可以利用Google的量子計算框架，所有這些都來自TensorFlow。

什麼是量子ML模型？

量子模型具有表示和泛化具有量子力學起源的數據的能力。但是，要理解量子模型，必須引入兩個概念：量子數據和混合量子經典模型。

量子數據表現出疊加和糾纏，從而導致聯合概率分佈，這可能需要成倍數量的經典計算資源來表示或存儲。量子數據可以在量子處理器/傳感器/網絡上生成/模擬，包括化學物質和量子的模擬物質，量子控制，量子通信網絡，量子計量學等等。關鍵的見解是，由NISQ處理器生成的量子數據是嘈雜的，通常在測量發生之前就被糾纏了，但是，將量子機器學習應用於嘈雜的糾纏量子數據可以最大程度地提取有用的經典信息。這些技術為TFQ庫提供了開發模型的原語，這些模型可解開並概括量子數據中的相關性，為改進現有的量子算法或發現新的量子算法提供了機會。

引入的第二個概念是混合量子經典模型。術語量子處理器仍然很小且嘈雜，量子模型不能單獨使用量子處理器-NISQ處理器將需要與經典處理器協同工作才能發揮作用。TensorFlow已經支持跨CPU，GPU和TPU的異構計算，因此實驗混合量子經典算法的自然平臺s.TFQ包含指定量子計算所需的基本結構，例如量子位，門，電路和測量運算符，然後可以在仿真或實際硬件上執行用戶指定的量子計算。用戶為NISQ機器（例如編譯器和調度程序）設計了高效的算法，並使混合量子經典算法的實現能夠在量子電路模擬器以及最終在量子處理器上運行。我們已經使用TensorFlow Quantum進行了混合量子經典卷積神經網絡網絡，用於量子控制的機器學習，用於量子神經網絡的分層學習，量子動力學學習，混合量子態的生成建模以及通過經典遞歸神經網絡學習通過量子神經網絡進行學習。我們對這些量子應用進行了綜述。在TFQ白皮書中；每個示例都可以通過Colab在我們的瀏覽器中運行TFQ的工作原理。

TFQ是如何工作的？

TFQ使研究人員可以在單個計算圖中將量子數據集，量子模型和經典控制參數構建為張量。

TensorFlow Ops獲得導致經典概率事件的量子測量結果，可以使用標準Keras函數進行訓練。為了提供有關如何使用量子數據的直覺，可以考慮使用量子神經網絡對量子態進行監督分類。與經典ML一樣，量子ML的關鍵挑戰是對“噪聲數據”進行分類。一個模型，研究人員可以執行以下操作：

• 準備一個量子數據集-將量子數據作為張量（數字的多維數組）加載。每個量子數據張量被指定為用Cirq編寫的量子電路，該電路實時生成量子數據。張量由TensorFlow在量子計算機來生成量子數據集。
• 評估量子神經網絡模型-研究人員可以使用Cirq對量子神經網絡進行原型設計，然後將其嵌入TensorFlow計算圖中。基於量子數據的結構知識，可以從幾大類中選擇參數化的量子模型。該模型的一個功能是執行量子處理，以提取隱藏在通常糾纏狀態下的信息。換句話說，量子模型實質上是對輸入的量子數據進行解糾纏，從而使隱藏的信息以經典的相關性進行編碼，從而可以進行局部測量。和經典的後處理。
• 量子態的樣本或平均測量以樣本形式從經典隨機變量中提取經典信息，該隨機變量的值分佈通常取決於量子態本身和所測得的可觀測值，因為許多變分算法都取決於均值測量值（也稱為期望值）提供了一種方法，用於對涉及步驟（1）和（2）的多個運行求平均值。
• 評估經典神經網絡模型-一旦提取了經典信息，其格式便可以進行進一步的經典後處理。由於提取的信息仍可能以測得期望之間的經典相關性進行編碼，因此可以將經典深層神經網絡應用於提煉出這種相關性。
• 評估成本函數-根據經典後處理的結果，對成本函數進行評估，這可以基於如果標記了量子數據則模型執行分類任務的準確性，或者如果任務不受監督則基於其他標準。
• 評估梯度和更新參數-評估成本函數後，應沿預期降低成本的方向更新管道中的自由參數，這通常是通過梯度下降執行的。