谷歌在其官方AI博客宣布推出TensorFlow Quantum（TFQ），這是一個開源的量子機器學習庫，可將量子計算與機器學習結合在一起，訓練量子模型。谷歌表示，這種量子機器學習模型能夠處理量子數(shù)據(jù)，并能夠在量子計算機上執(zhí)行。

根據(jù)谷歌AI博客的介紹，TFQ允許研究人員在單個計算圖中將量子數(shù)據(jù)集、量子模型和經(jīng)典控制參數(shù)構造為張量。TensorFlow Ops會獲得導致經(jīng)典概率事件的量子測量結果，然后可以使用標準Keras功能進行培訓。

與經(jīng)典機器學習一樣，量子機器學習的關鍵挑戰(zhàn)是對“噪聲數(shù)據(jù)”進行分類。要構建和訓練這樣的模型，大致操作步驟如下：

準備量子數(shù)據(jù)集-量子數(shù)據(jù)作為張量（數(shù)字的多維數(shù)組）加載。每個量子數(shù)據(jù)張量都指定為用Cirq編寫的量子電路，該電路可實時生成量子數(shù)據(jù)。張量由TensorFlow在量子計算機上執(zhí)行以生成量子數(shù)據(jù)集。

評估量子神經(jīng)網(wǎng)絡模型-研究人員可以使用Cirq對量子神經(jīng)網(wǎng)絡進行原型設計，然后將其嵌入TensorFlow計算圖中。量子模型實質(zhì)上是對輸入的量子數(shù)據(jù)進行解糾纏，從而使隱藏信息以經(jīng)典的相關性編碼，從而使其可用于本地測量和經(jīng)典的后處理。

樣本或平均值-量子態(tài)的測量從經(jīng)典隨機變量中以樣本形式提取經(jīng)典信息。來自該隨機變量的值的分布通常取決于量子態(tài)本身以及所測得的可觀測值。

評估經(jīng)典神經(jīng)網(wǎng)絡模型-提取經(jīng)典信息后，其格式適用于進一步的經(jīng)典后處理。

評估成本函數(shù)-根據(jù)經(jīng)典后處理的結果，評估成本函數(shù)。

評估梯度和更新參數(shù)-評估成本函數(shù)后，應沿預期可降低成本的方向更新管道中的自由參數(shù)。

TensorFlow Quantum的關鍵特征是擁有能夠同時訓練和執(zhí)行許多量子電路的能力。目前，TensorFlow Quantum主要面向在經(jīng)典量子電路模擬器上執(zhí)行量子電路。谷歌的希冀是，將來TFQ能夠在Cirq支持的實際量子處理器上執(zhí)行量子電路。