TensorFlow Quantum(TFQ)は、Google 量子コンピューティングフレームワークCirqとTensorFlowを組み合わせて、量子機械学習(ML)モデルの作成を可能にする。
量子MLモデルは、量子プロセッサ上で生成またはシミュレーションされる量子データを使って訓練される。この種のデータは、量子物質、量子化学その他を含む多くの異なる研究分野で発見されている。
ハイブリッド量子-古典畳み込みニューラルネットワーク、量子制御のための機械学習、量子ニューラルネットワークのためのレイヤワイズ学習、量子動的学習、混合量子状態の生成モデリング、古典再帰ニューラルネットワークを経由した量子ニューラルネットワークを学ぶ学習のために、私たちはTensorFlow Quantumを使用した。
古典データと量子データの主な区別は、分子の状態を相互に依存させる2つの量子特性である重ね合わせと関わり合いによって与えられる。これは、古典的なハードウェア上ですぐに数値的に扱いにくくなる共同確率分布を扱う必要があることを示す。ここが、このような複雑さの処理を実現可能にするための量子機械学習の約束が果たされる場所である。
TFQは、キュービット、ゲート、回路などの量子実験を作成するために通常使用される量子の抽象化を提供する。 そして、Googleを含む多くの組織が、今日、構築および運用しているNISQ (noisy intermediate scale quantum) プロセッサ上でそれらを使用可能にする。ある意味では、TFQは、CPU、GPU、および、TPUと一緒にTensorFlowで使われる別のプラットフォームも提供する。
Tensorflowと、Cirqによって提供される基礎となる量子プラットフォームとの関係を明確にしよう。TFQを使用すると、量子データは、その場で量子データを生成するCirq回路に関連付けられた各テンソルにより、テンソルを通して表される。最初のステップは、量子コンピュータでこれらのテンソルを実行する量子データセットを作成することだ。このデータセットは、量子ニューラルネットワークモデルを作成するために使用され、基本的に量子データで利用可能な情報を分離しようとして、古典的なMLプロセッシングを可能にする。これにより、TensorFlowによって使用されるパラメータを微調整し、MLパイプラインに与えるために使われる、関連コスト関数を持つ古典ニューラルネットワークの生成を可能にする。
TFQは、量子シミュレータと組み合わせて使用することもできるため、物理量子プロセッサを利用可能にする必要はない。これに関連して、Googleは、オープンソースのqsim、ハイパフォーマンスの量子回路シミュレータが、単一のGoogle Cloudノード上で最大32キュービットをシミュレートすることもできるようにする。
GoogleのTFQホワイトペーパーでTensorFlow Quantumについてもっと読もう。