量子算法 II | CQCC2024专题论坛

• 量子计算在优化问题与机器学习等领域的量子优势和相关算法的设计;

• 如何利用量子计算机模拟复杂量子系统;

• 量子优越性与量子关联、量子噪声等因素的关系；

• 量子机器学习模型的能力与局限性。

王鑫，香港科技大学（广州）人工智能学域副教授，国家高层次青年人才，主要从事量子信息、量子计算、量子机器学习领域的研究。他于2018年在悉尼科技大学获得博士学位，获评校长杰出博士论文并入选教育部国家优秀自费留学生奖学金。他在PRL、PRX Quantum、IEEE JSAC、IEEE TIT、NeurIPS、AAAI等物理、计算机、人工智能领域的顶级期刊与顶级会议发表60余篇论文，在量子计算顶会QIP、TQC、AQIS作口头报告二十余次，并在2020年受邀在量子计算顶会TQC作主旨报告。他目前担任Quantum国际学术期刊的编委，并入选AI华人青年学者榜（AI+X）与全球前2%顶尖科学家榜单。

翁文康，CCF量子计算专业委员会常务委员，于香港中文大学物理系获物理学学士与物理学硕士学位，随后赴美国伊利诺伊大学学习进修，进行包含物理学与信息科学的跨学科研究，得到诺贝尔奖获得者 Anthony Leggett 教授指导完成博士论文，获得物理学博士学位。毕业后到哈佛大学进行有关量子信息和量子化学的博士后研究工作。于2013年回国并在清华大学交叉信息研究院担任助理教授。2016 年加入南方科技大学，随后2018年加入华为技术有限公司。

报告主题：从量子启发到量子加速

摘要：量子计算已经发展到一个关键时刻，一方面量子硬件的规模和成熟度不断进步，另一方面大众预期的超越经典算力的情形尚未出现。通用量子计算之路依然漫长，被寄予厚望的量子变分算法停留在少量比特、浅层线路的约束之中。有部分学者甚至认为“NISQ已死”，我们只有通用量子计算一条道路。在这次报告中，基于量子启发算法的积累，我们引入量子加速算法的概念，探讨NISQ量子硬件如何作为加速器，通过与经典计算互相配合，发挥量子计算的价值。

魏朝晖，清华大学丘成桐数学中心助理教授、博士生导师，CCF量子计算专业委员会执行委员。2009年于清华大学计算机系获工学博士学位，毕业后前往新加坡量子研究中心从事博士后研究工作。2018年加入清华大学工作至今。魏朝晖博士长期从事量子计算的理论研究工作，研究兴趣包括计算复杂性、量子信息论、量子人工智能、量子计算纠错容错、量子力学基础等，近年也与量子实验专家密切合作。

报告主题：量子优越性在关联生成中的突然消亡

摘要：噪声是建造大规模量子计算机的最大障碍。如果量子噪声过强，量子优越性就无法实现。然而，逐渐增强的量子噪声影响和彻底破坏量子优越性的整体动态过程尚未被很好地理解和刻画。在此报告中，我们将看到关联生成模型为研究此重要课题提供了宝贵视角。我们将证明，当噪声强度从 0 开始不断增加时，量子优越性将逐渐下降，最终完全消失。有趣的是，我们将介绍一种量子优越性突然消亡的现象，即当噪声强度达到一定程度时，量子优势可能会从不可忽略的水平上突然消失。这个现象让我们以全新的角度感受到噪声对量子信息处理的危害。

王晓霆，电子科技大学基础与前沿研究院教授、博士生导师。他于2011年在英国剑桥大学取得博士学位，曾在美国路易斯安那州立大学、麻省理工学院、麻州大学波士顿分校从事博士后研究。他在基础与前沿研究院建立了量子计算与量子控制实验室，研究领域包括量子控制、量子信息、量子计算、量子生物学、优化与控制。

报告主题：通过随机电路设计浅层量子本征求解器

摘要：在含噪中等规模量子时代，变分量子算法（VQAs）已成为获得量子优势的一个有前景的途径。然而，VQAs的成功取决于参数化量子电路的表达能力，而这种能力受到有限门数和贫瘠高原现象的限制。在这项工作中，我们提出并通过数值模拟演示了一种VQAs的新方法，利用随机量子电路生成变分波函数。我们使用人工神经网络对这些随机电路的分布函数进行参数化，并对其进行优化以找到解决方案。这种随机电路方法在最大化变分波函数的表达能力和最小化相关时间成本（特别是量子电路的采样成本）之间提供了一种权衡。这种随机电路方法为构建浅层电路量子本征求解器和量子神经网络提供了一种有效的方式。

李绎楠现任职于武汉大学数学与统计学院，从事量子计算的数学理论方面的研究工作。曾在包括CMP、IEEE TIT、FOCS和ICALP等数学、物理和计算机科学的期刊和会议上发表论文二十余篇。现主持科技部重点研发计划政府间国际科技创新合作专项、湖北省杰出青年基金和基金委青年科学基金等科研项目。

报告主题：量子机器学习模型的逼近与泛化能力

摘要：我们将从数学的角度研究量子机器学习模型的逼近和泛化能力，重点探讨参数化量子电路在逼近多元函数时的优势与极限，并探究量子机器学习求解监督学习问题的泛化能力。