tensorflow/quantum

TensorFlow Quantum (TFQ)

是什么 – TFQ 是一个 Python 库，可让你构建 混合 量子-经典机器学习模型。它将使用 Cirq 编写的量子电路集成到 TensorFlow/Keras 生态系统中，因此你可以使用与普通深度学习相同的工具来训练模型。

核心功能

• 使用 Cirq 编写量子电路，并通过 Google 的高性能 qsim 引擎进行模拟。
• 使用封装量子操作的 Keras 层，使量子电路成为第一类 TensorFlow 操作。
• 通过多种梯度方法（参数移位、伴随法等）实现量子电路的自动微分。
• 利用 TensorFlow 的图执行和 GPU/TPU 加速功能，支持大规模实验。

典型工作流程

1. 在 Cirq 中定义一个参数化的量子电路。
2. 将电路包装在 tfq.layers Keras 层中。
3. 构建一个混合经典与量子层的 Keras 模型。
4. 使用 model.fit 训练模型，让 TensorFlow 处理通过量子部分的反向传播。

安装 – 请遵循 README 中链接的官方指南。该包在 PyPI 上以 tensorflow-quantum 发布，需要 Python 3.10–3.12、TensorFlow 2.19+、NumPy 2.0 和 Cirq 1.5。

学习资源

• 快速入门教程和笔记本位于仓库的 docs/tutorials 目录下。
• 完整文档、指南和 API 参考位于 https://tensorflow.org/quantum。

获取帮助

• 在 GitHub 跟踪器中打开问题。
• 在 Stack Overflow 上使用 tensorflow-quantum 标签提问。

引用项目 当你发表使用 TFQ 的研究成果时，请引用 arXiv 论文 TensorFlow Quantum: A Software Framework for Quantum Machine Learning (2020) – README 提供了可直接复制的 BibTeX 条目。

联系 – 非公开查询请发送邮件至 quantum-oss-maintainers@google.com。

为何重要 – TFQ 使研究人员能够使用与主流深度学习相同的工具和硬件加速，大规模地原型设计量子增强型机器学习算法。这弥合了量子算法研究与实际机器学习流水线之间的差距。