Update tfim_vqe_cn.ipynb

Author: SexyCarrots

docs/source/tutorials/tfim_vqe_cn.ipynb

@@ -13,8 +13,8 @@
    "source": [
     "## 概述\n",
     "\n",
-    "本教程的主要目的不是关于 VQE 的物理观点，而是我们通过演示\n",
-    "这个简单的 VQE 玩具模型来了解张量电路的主要成分。"
+    "本教程的主要目的不是关于 VQE 物理层面的讨论，而是我们通过演示\n",
+    "这个简单的 VQE 玩具模型来了解张量电路的主要技术组件和用法。"
    ]
   },
   {
@@ -23,7 +23,7 @@
    "source": [
     "## 背景\n",
     "\n",
-    "基本上，我们训练一个参数化的量子电路，重复 $e^{i\\theta} ZZ$ 和 $e^{i\\theta X}$ 层为 $U(\\rm{\\theta})$。 而要最小化的目标是这个任务 $\\mathcal{L}(\\rm{\\theta})=\\langle 0^n\\vert U(\\theta)^\\dagger HU(\\theta)\\vert 0^n \\rangle$。 哈密顿量来自 TFIM，$H = \\sum_{i} Z_iZ_{i+1} -\\sum_i X_i$。"
+    "基本上，我们训练一个参数化的量子电路，其线路结构为重复的 $e^{i\\theta} ZZ$ 和 $e^{i\\theta X}$ 层的 $U(\\rm{\\theta})$。 而要最小化的目标是这个任务 $\\mathcal{L}(\\rm{\\theta})=\\langle 0^n\\vert U(\\theta)^\\dagger HU(\\theta)\\vert 0^n \\rangle$。 哈密顿量来自 TFIM，$H = \\sum_{i} Z_iZ_{i+1} -\\sum_i X_i$。"
    ]
   },
   {
@@ -55,7 +55,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "为了启用自动微分支持，我们应该将 TensorCircuit 后端设置为超出默认的 “NumPy”。\n",
+    "为了启用自动微分支持，我们应该将 TensorCircuit 设置为非 “numpy” 后端。\n",
     "而且我们还可以设置高精度 complex128 进行模拟。"
    ]
   },
@@ -183,7 +183,7 @@
    "metadata": {},
    "source": [
     "为了训练参数化电路，我们应该利用梯度下降的梯度信息 $\\frac{\\partial \\mathcal{L}}{\\partial \\rm{\\theta}}$。\n",
-    "我们还使用 ``jit`` 来包装 value 和 grad 函数以显着加快速度。 注意 ``vqe_tfim`` 的 (1, 2) args 是如何被标记为静态的，因为它们只是量子比特数和层数的整数，而不是张量。"
+    "我们还使用 ``jit`` 来包装 value 和 grad 函数以显著加快速度。 注意 ``vqe_tfim`` 的 (1, 2) args 是如何被标记为静态的，因为它们只是量子比特数和层数的整数，而不是张量。"
    ]
   },
   {
@@ -471,7 +471,7 @@
     "### 更低层的 API\n",
     "\n",
     "`TensorCircuit` 命名空间下的更高级别 API 提供了一个统一的框架来进行线性代数和自动微分，这与后端无关。\n",
-    "也可以使用 TensorFlow或 Jax 直接提供的相关 API（ops、自动微分相关、可即时编译相关），只要坚持一个固定后端即可。 请参阅下面的 TensorFlow 后端示例。"
+    "也可以使用 TensorFlow 或 Jax 直接提供的相关 API（ops、自动微分相关、可即时编译相关），只要坚持一个固定后端即可。 请参阅下面的 TensorFlow 后端示例。"
    ]
   },
   {