Квантовое машинное обучение: знакомимся с Tensorflow Quantum

Я тоже могу ошибаться, но вроде история такая. Гугл заявил, что то, что их компьютер делал за 20 секунд на классическом считалось бы тысячу лет. Далее IBM предложили другой классический алгоритм с потенциальной оценкой времени вычислений в 2.5 дня. Но реально, лучший результат на классическом компьютере был у какой-то китайской конторы (они реализовали алгоритм IBM) с результатом около 25 дней. 20 секунд vs 25 дней — по мне вполне превосходство)

1. Приведенный пример — это вольная реализация, например, этой работы (страница 4, под буквой D). В смысле я это не сам придумал, этот пример можно встретить в некоторых англоязычных туториалах по QML, правда на TFQ вроде никто не писал, я не видел точно. И да, конечно это лишь пример, просто из всех квантово-классических алгоритмов QML он показался мне самым простым и понятным. Хотелось именно передать идею VQC, когда мы параметризуем схему классическими параметрами и обновляем их на CPU, показать, что это легко сделать на Tensorflow Quantum и т.д.
2. Огромное спасибо за замечание, я сейчас поправлю. Самое интересное, когда код Cirq писал все ок было, там под катом в коде все ок, а потом почему-то не так написал! Картинки схем я ведь сам из кода генерил, там есть метод, «рисующий» схему сразу в SVG)

Ну и машинное обучение у нас подразумевает, что мы «выучиваем» параметры нашего «преобразователь». А преобразователь переводит вектор |0> в первый собственный (или основное состояние языком физики). Что это, если не машинное обучение?

Если вы про объявление сигнатур функций, то это так называемая «аннотация типов»:
docs.python.org/3/library/typing.html

Эти вещи игнорируются при компиляции в байткод, но они делают код более читаемым и поддерживаются всеми средами разработки.