tensorflow/quantum

TensorFlow Quantum (TFQ)

是什麼 – TFQ 是一個 Python 庫，可讓你建立 混合 量子-古典機器學習模型。它將使用 Cirq 編寫的量子電路整合至 TensorFlow/Keras 生態系中，因此你可以使用與一般深度學習相同的工具來訓練模型。

主要功能

• 使用 Cirq 編寫量子電路，並透過 Google 的高性能 qsim 引擎進行模擬。
• 使用封裝量子運算的 Keras 層，使量子電路成為第一類 TensorFlow 操作。
• 透過多種梯度方法（參數位移、伴隨法等）實現量子電路的自動微分。
• 借由 TensorFlow 的圖執行與 GPU/TPU 加速功能，支援大規模實驗。

典型工作流程

1. 在 Cirq 中定義參數化量子電路。
2. 將電路包裝在 tfq.layers Keras 層中。
3. 建構混合古典與量子層的 Keras 模型。
4. 使用 model.fit 訓練模型，讓 TensorFlow 處理透過量子部分的反向傳播。

安裝 – 請依照 README 中連結的官方指南進行。該套件在 PyPI 上以 tensorflow-quantum 發布，需 Python 3.10–3.12、TensorFlow 2.19+、NumPy 2.0 與 Cirq 1.5。

學習資源

• 快速入門教學與筆記本位於倉儲的 docs/tutorials 目錄下。
• 完整文件、指南與 API 參考位於 https://tensorflow.org/quantum。

取得協助

• 在 GitHub 跟蹤器中開啟問題。
• 在 Stack Overflow 上使用 tensorflow-quantum 標籤提問。

引用專案 當你發表使用 TFQ 的研究成果時，請引用 arXiv 論文 TensorFlow Quantum: A Software Framework for Quantum Machine Learning (2020) – README 提供可直接複製的 BibTeX 條目。

聯絡 – 非公開查詢請寄信至 quantum-oss-maintainers@google.com。

為何重要 – TFQ 讓研究人員能使用與主流深度學習相同的工具與硬體加速，大規模地原型設計量子增強型機器學習演算法。這彌補了量子演算法研究與實際機器學習流程之間的差距。