本周，谷歌宣布了构建机器学习模型的TensorFlow框架的新版本，这是TensorFlow和Cinq的混搭，后者是谷歌开发的另一个构建量子计算算法的框架。它们一起允许您构建一个深度学习模型，在未来的量子计算机上运行，而不需要使用超过一堆Python代码。
但是在研究论文中有一个警告，张量流量子。
谷歌研究的主要作者迈克尔布劳顿写道：“就作者所知，没有足够的证据表明我们应该期待QNN在不久的将来在经典数据分类方面拥有量子优势。”在这种情况下，经典数据意味着对您的典型照片进行分类，例如您刚刚拥有的任何其他数据集。
相反，通常所说的TensorFlow Quantum或TFQ正在使用今天的“有噪声的中间量子”机器或NISQ来运行使用由量子力学过程直接生成的数据的问题。例如，这可能是“用于提取关于化学结构和化学反应的信息的量子化学模拟状态”。或者物理学中著名的“多体问题”，来理解电子、原子、分子或其他实体之间的复杂相互作用。
在这个限度内，虽然可以使用谷歌的Sycamore量子计算机或者去年推出的其他系统，但是可以做很多工作，虽然大部分都是在模拟中完成的。除了Cinq作为模拟器，TFQ还包括“qsim”，这是一个新的模拟器。谷歌声称它为多种机器学习任务提供了显著的加速。
TFQ的前提是，我们正处于机器学习的第二个量子计算时代。在几年前的第一阶段，量子计算机的整个目的是在深度学习中加快核心矩阵乘法和其他线性代数运算。事实证明，线性代数是物理学和量子计算的核心，所以至少在理论上，它们结合得很好。
然而，近年来，这个领域已经超越了使用量子比特作为运行线性代数的简单“黑盒”。布劳顿说，我们现在处于“量子神经网络”或QNN的时代，布劳顿在安大略省滑铁卢大学计算机科学学院获得了额外的任命。
标签：