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據，并能夠在量子計算機上執行。

根據谷歌AI博客的介紹，TFQ允許研究人員在單個計算圖中將量子數據集、量子模型和經典控制參數構造為張量。TensorFlow Ops會獲得導致經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。

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

準備量子數據集-量子數據作為張量（數字的多維數組）加載。每個量子數據張量都指定為用Cirq編寫的量子電路，該電路可實時生成量子數據。張量由TensorFlow在量子計算機上執行以生成量子數據集。

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

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

評估經典神經網絡模型-提取經典信息后，其格式適用于進一步的經典后處理。

評估成本函數-根據經典后處理的結果，評估成本函數。

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

TensorFlow Quantum的關鍵特征是擁有能夠同時訓練和執行許多量子電路的能力。目前，TensorFlow Quantum主要面向在經典量子電路模擬器上執行量子電路。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行量子電路。