AI Google en su blog oficial anunció el lanzamiento de TensorFlow Quantum (CLT), que es una máquina de aprendizaje de código abierto cuántica biblioteca, computación cuántica y el aprendizaje máquina puede ser combinado juntos, entrenando modelo cuántico. Google dice que los modelos de aprendizaje esta máquina cuántica pueden manejar los datos cuántica, y se puede realizar en un ordenador cuántico.
La introducción de blogs de Google AI, permitiendo a los investigadores TFQ único cuanto conjunto de datos en la figura computación., La cuantía y el modelo clásico configurada para los parámetros de control del tensor. TensorFlow Operaciones conseguirá resultado de la medición cuántica del caso clásico de probabilidad, a continuación, puede utilizar las funciones de formación estándar Keras.
Al igual que el aprendizaje de la máquina clásica, el aprendizaje de máquina reto clave cuántica es "Datos de ruido" se clasifican. Para construir un modelo de tren tal y sustancialmente siguientes pasos:
- datos de Quantum fijados listos - datos cargados como tensor cuántica (de matriz digital multi-dimensional). Cada cuanto de datos especifica tensor de un cuanto preparó circuito Cirq, este circuito genera datos cuánticos en tiempo real. Tensor cuántica lleva a cabo para generar conjuntos de datos en un ordenador cuántico TensorFlow.
- Evaluación Quantum Modelo de red neuronal - Los investigadores pueden utilizar redes neuronales cuántica Cirq creación de prototipos, a continuación, inserta el cálculo de TensorFlow figura. modelo Quantum esencialmente disentangle cuántica los datos introducidos, de manera que la información oculta relacionada con el clásico de codificación, de manera que se puede utilizar para la medición local después de tratamiento y clásico.
- O promedio de la muestra - cuántico medido indica en la información clásica extraído de la forma clásica de muestras de una variable aleatoria. A partir de la distribución de los valores de la variable aleatoria depende generalmente de la misma estado cuántico y se puede observar en los valores medidos.
- Evaluación clásico modelo de red neuronal - después de la extracción de la información clásica en un formato adecuado para el procesamiento posterior de la clásico.
- Evalúa una función de costos - El resultado clásico proceso, evalúa una función de costos.
- evaluación y actualización de los parámetros de gradiente - dirección evalúa una función de costes, la reducción de costes se puede esperar que a lo largo de la tubería de actualización de parámetros libres.
Una característica clave de TensorFlow Quantum es capaz de tener al mismo tiempo la formación y la capacidad de realizar muchas circuito cuántico. Actualmente, circuito principal TensorFlow cuántica para realizar simulador de circuitos clásicos cuántica cuántica. Google la esperanza de que el futuro se puede realizar circuitos TFQ cuánticos en el procesador real cuántica apoyo Cirq.
Más detalles sobre TensorFlow Quantum, se puede ver el blog de Google AI .