才刚，Google在物理排序应用领域又有举世闻名象征意义姿势，中乌鲁要把“物理强权”支配究竟。
这一场，Google对内开放源码物理排序自学库TensorFlow Quantum，全称TFQ，协助大自然科学研究相关人员辨认出管用的物理机器自学数学模型，在物理排序机上处置物理统计数据。
从2019年正式宣布同时实现物理强权，到现在面世开放源码辅助工具，Google默默地造桥，默默地打下基础，核心理念最终目标再明晰但是：
将“200秒顶超级计算机10000年”的物理强权的杀伤力，全盘唤起出，并支配在自己手上。
唤起机器自学发展潜力，还是要物理力学
Google认为，机器自学演算法在化解具备诱惑力的大自然科学难题上表明出了期望，促进了肺癌检验、海啸强震预估、顽固天气情况商业模式预估和系行星观测等各方面的不断进步。
但其存有局限性——不能精确地演示大自然现象中的控制系统。怎么办？
用惠勒不然而言，就是“如果你想演示大自然，你最合适把它变为物理力学”。
因此Google明确提出，随著物理局限性性的同时实现（物理强权），捷伊物理机器自学数学模型的发展，可能对当今世界上最小的难题造成不可估量的影响，进而增添药理学、材料、感测和通讯应用领域的冲破。
Google表示，TFQ中提供了必要的辅助工具，来将机器自学和物理排序结合在一起，来控制/建模大自然或人工物理控制系统，比如内含大约50-100物理比特的噪声中级物理处置器(NISQ) 。
在底层上，TFQ 集成了NISQ演算法的开放源码框架Cirq 和 TensorFlow，通过提供与现有 TensorFlow API兼容的物理排序原语和高性能物理电路演示器，为鉴别/生成物理经典数学模型的设计同时实现，提供高层次的抽象。
此外，TFQ还包含了指定物理排序所需的基本结构，如物理比特、门、电路和测量操作符。用户指定的物理排序，可以在演示或真实的硬件上执行。
现在，Google已经将TFQ应用到了物理—经典卷积神经网络，用于物理控制的机器自学，用于分层自学的物理神经网络，和通过经典循环神经网络，来自学物理神经网络等等各方面。
他们在TFQ白皮书中，放出了这些物理应用的示例，并能在浏览器中通过Colab运行（地址在文末）。
TensorFlow Quantum如何工作？
简单而言，TensorFlow Quantum是一个用于物理机器自学的Python框架。
大自然科学研究相关人员可以用它在单个排序图中(computational graph)，构建物理统计数据集、物理数学模型和作为张量的经典控制参数。
那么，如何使用物理统计数据呢？
可以考虑使用物理神经网络，对物理状态进行监督分类。物理ML和经典ML一样，关键的挑战是如何对“噪声统计数据”进行分类。为了建立和训练这样一个数学模型，可以做如下准备工作：
1、准备一个物理统计数据集。
物理统计数据被加载为张量，每个物理统计数据张量都指定为用Cirq编写的物理电路。这个电路可实时生成物理统计数据， 张量由TensorFlow在物理排序机上执行，用来生成物理统计数据集。
2、评估一个物理神经网络数学模型。
大自然科学研究相关人员可以使用Cirq建立物理神经网络的原型，然后将它嵌入到张量流排序图中。
基于对物理统计数据结构的了解，可以从几个大类中选择参数化的物理数学模型。
这个数学模型的最终目标是执行物理处置，用来提取隐藏在典型的纠缠态下的信息。
换句话说，物理数学模型从本质上分离了输入的物理统计数据，将隐藏的信息编码在经典的相关性中，进而使它可以用于局部测量和经典的后处理。
3、样本或平均值
物理态的测量从经典随机变量中，以样本形式提取经典信息。
来自该随机变量值的分布，通常取决于物理态本身和所测得的可观测值。
由于许多变分演算法依赖于测量值的平均值，因此TFQ提供了在涉及步骤(1)和(2)的多次运行中求平均值的方法。
4、评估一个经典的神经网络数学模型
一旦经典信息被提取出，它的格式就适合进一步的经典后处置。
由于所提取的信息仍然可能被编码为测量期望之间的经典关联，因此可以使用经典的深度神经网络来提取这种关联。
5、评估成本函数
根据经典后处置的结果，成本函数就可以被评估了。
这可以基于数学模型执行分类任务的精确性(如果物理统计数据被标记)，或者基于其他标准(如果任务是无监督的)。
6、评估梯度和更新参数
在评估了成本函数之后，就应该更新pipeline中的自由参数，通常是通过梯度下降来执行的。
