All Rights ReservedView Non-AMP Version
IT Forum
  • Homepage
  • Inovação
Notícias

Google lança TensorFlow Quantum: biblioteca de código aberto para Machine Learning quântico

O Google anunciou nessa segunda-feira (9), o lançamento do TensorFlow Quantum, uma biblioteca de código aberto para a prototipagem rápida de modelos de Machine Learning (ML) quânticos. A estrutura pode construir conjuntos de dados quânticos, protótipo de modelos quânticos híbridos e clássicos de ML.

Segundo o anúncio da empresa, o TensorFlow Quantum (TFQ) fornece as ferramentas necessárias para reunir as comunidades de computação quântica e pesquisa de ML para controlar e modelar sistemas quânticos naturais ou artificiais, por exemplo, processadores NISQ (Noisy Intermediate Scale Quantum) com aproximadamente 50 a 100 qubits.

As melhores notícias de tecnologia B2B
Acompanhe todas as novidades diretamente na sua caixa de entrada

A estrutura foi desenvolvida em colaboração com a Universidade de Waterloo, a divisão da Alphabet para projetos inovadores – a X e Volkswagen.

Conforme explicação do Google, o TFQ integra o Cirq ao TensorFlow e oferece abstrações de alto nível para o desenvolvimento e implementação de modelos quânticos clássicos, tanto discriminativos quanto generativos, fornecendo computação quântica primitiva compatíveis com as APIs existentes do TensorFlow, além de simuladores de circuito quântico de alto desempenho.

“Acreditamos que a ponte entre as comunidades ML e Quantum levará a novas descobertas empolgantes e acelerará a descoberta de novos algoritmos quânticos para resolver os problemas mais desafiadores do mundo”, disse o comunicado publicado no blog AI Google.

O lançamento do TensorFlow Quantum acontece na mesma semana que o TensorFlow Dev Summit, uma reunião anual de profissionais de Machine Learning que usam a estrutura nos escritórios do Google no Vale do Silício. Devido à tensão sobre o coronavírus, o evento físico foi cancelado.

“Hoje, o TensorFlow Quantum é voltado principalmente para a execução de circuitos quânticos em simuladores clássicos de circuitos quânticos. No futuro, o TFQ poderá executar circuitos quânticos em processadores quânticos reais suportados pelo Cirq, incluindo o próprio Sycamore, o processador do Google”, informou a gigante de tecnologia.

Next Transformação orientada a dados: o pulo do gato está na metodologia »
Previous « Não tem como fugir do upskilling
Share
Published by
Redação
Tags: Googleinovaçãomachine learning
6 anos ago

    Related Post

  • HPE coloca a rede no centro da era agêntica e mira mercado de energia como próximo desafio
  • Unimed-BH migra 500 servidores em três meses após reajuste
  • SpaceX projeta receita de US$ 1 trilhão até 2030 e amplia debate sobre valuation após IPO histórico

Recent Posts

  • Artigos

Fiscalização, fraude e PIX: os riscos de um sistema que sabe tudo, mas pode errar

Por Rafaela Helbing A obrigatoriedade de declarar transações via PIX no Imposto de Renda é…

3 horas ago
  • Notícias

HPE coloca a rede no centro da era agêntica e mira mercado de energia como próximo desafio

A inteligência artificial chegou a um ponto em que a disputa por modelos mais potentes…

4 horas ago
  • Notícias

IA acelera 16 vezes cibercrime global e reduz tempo de reação das empresas, aponta estudo

O avanço da inteligência artificial (IA) generativa está transformando o cibercrime em uma operação muito…

4 horas ago
  • Notícias

Fortinet identifica mais de 1.140 domínios maliciosos ligados à Copa do Mundo de 2026

A proximidade da Copa do Mundo de 2026 tem impulsionado não apenas o interesse dos…

5 horas ago
  • Notícias

Mercado de SaaS na América Latina deve atingir US$ 46 bilhões até 2027, com Brasil liderando crescimento

O mercado de Software como Serviço (SaaS) na América Latina deve movimentar US$ 46 bilhões…

6 horas ago
  • Notícias

SpaceX projeta receita de US$ 1 trilhão até 2030 e amplia debate sobre valuation após IPO histórico

A SpaceX elevou as expectativas do mercado sobre seu potencial de crescimento após seu IPO…

7 horas ago
All Rights ReservedView Non-AMP Version
  • L