2020量子物理与智能计算交叉研讨会
QCAI2020

苏刚 教授

报告题目：Quantum Intelligence: An Emerging New Paradigm in Science

报告摘要：In this talk, I will outline the quantum intelligence an emerging new paradigm in science with some examples and advances in different disciplines, and give perspective views

专家简介：苏刚，中国科学院大学特聘教授，卡弗里理论科学研究所副所长，国家杰出青年科学基金获得者，百千万人才工程国家级人选，国家重点研发计划重点项目负责人，中国科学院战略性科技先导专项首席科学家。曾任中国科学院大学副校长。主要从事凝聚态理论、统计物理与计算物理等方向的研究。曾于1993-1999年在美国纽约州立大学石溪分校(CEEC学者)、德国科隆大学(洪堡学者)、日本东京理科大学(JSPS学者)等地从事研究工作。在国内外重要学术刊物上发表论文250余篇，Springer出版英文专著1部，图书专著8章节，研究工作被Materials Today、NPG Asia Materials、Science News、American Scientist、PhysOrg.com、科技日报、中央电视台等作为研究亮点报道。曾获国家自然科学二等奖等

薛鹏 教授

报告题目：非厄米量子行走的实验实现

报告摘要：在以固态拓扑材料为代表的传统拓扑物相中, 体边对应关系把定义于拓扑物质体态的拓扑不变量与出现在其边界上的稳定边缘态联系起来, 是传统拓扑物态研究的基本原则. 近年来，随着对开放体系拓扑现象, 尤其是对非厄米体系拓扑序的理论研究, 人们发现在一大类非厄米拓扑体系中,传统的体边对应关系不再成立. 在这类体系中, 体边对应关系的失效伴随着非厄米趋肤效应, 即所有体态与拓扑边缘态均局域在体系边界附近. 非厄米趋肤效应体现了非厄米体系与厄米体系的一个关键区别，对于理解非厄米拓扑物态至关重要。 由于非厄米趋肤效应的存在, 体态的主要性质无法在标准的拓扑能带理论框架下描写，体边对应原理也需要随之作出基本修正。根据理论研究，非厄米拓扑体系的边缘态须由全新的广义体边对应原理来刻画。 我们在这一背景下, 实验上首次观测到非厄米-趋肤效应，并证实了非厄米体边对应关系. 这一成果涵盖了非厄米系统，拓扑相变，量子模拟等近年来量子物理和凝聚态物理领域的重要前沿方向, 是非厄米拓扑研究方面的基础性进展, 对新奇拓扑序的量子模拟及全面理解开放体系拓扑现象有重要意义.

专家简介：薛鹏， 北京计算科学研究中心，教授、博导。1999年以优异的成绩毕业于中国科学技术大学物理系，获得学士学位，并免试进入本校中科院量子信息重点实验室攻读博士学位，师从郭光灿院士，2004年7月获得博士学位。之后赴奥地利因斯布鲁克大学物理系、奥地利科学院量子光学和量子信息研究所，以及加拿大卡尔加里大学物理系作为博士后从事量子信息的物理实现以及量子光学的基础研究工作，致力于利用量子行走实现普适的量子信息处理平台的研究工作。2009年回国加入东南大学物理学院，2018年调入北京计算科学研究中心。在国际顶级学术期刊包括：Nature Physics, Physical Review Letters等以第一/通信作者发表学术论文百余篇，并且得到国内外本领域重要专家学者的广泛关注，文章被引用两千余次，单篇引用最高达两百余次。2013年获得江苏省六大人才高峰项目支持，2016年获得江苏省杰出青年基金。

翟荟 教授

报告题目：Quantum Information Scrambling and Quantum Neural Network

报告摘要：In this talk, I will discuss the connection between the concept of quantum information scrambling and quantum neural networks. I will discuss how to use the quantum information scrambling to understand the learning dynamics and to select the optimal architecture for quantum neural networks.

专家简介：清华大学高等研究院教授，教育部长江特聘教授，国家自然科学基金委杰出青年基金获得者。主要从事冷原子物理、凝聚态理论等量子物质的研究，以及机器学习和物理学的结合。2019年获中国物理学会饶毓泰奖。

侯越先 教授

报告题目：以信息原则重构量子力学—量子人工智能的概念基础

报告摘要：在实证方面，量子力学是有史以来最成功的物理理论。但与经验成功形成反差的是，量子力学的本体解释仍颇有争议。在各个彼此竞争的量子力学解释中，基于魏茨泽克纲领（Weizsacker Program）的信息解释在当前受到较多关注，产生了若干富有启发性的结果，且与计算和信息处理考量存在密切的联系。本报告介绍量子力学的信息解释的新进展，通过以信息处理原则对量子力学做解释和重构，帮助人们以意义清晰和逻辑一致的方式理解量子力学的内涵。这种理解不仅对于物理学是重要的，对于人工智能研究也有显著意义；特别地，将有助于澄清量子人工智能的概念基础。

专家简介：侯越先，天津大学计算机学院教授，博导，网络智能所主任，国家重点研发计划首席科学家，中国人工智能学会青年工作委员会常委，中国中文信息学会理事，中国计算机学会中文信息技术专委会委员，天津市131人才计划第一层次人选，第8届亚洲信息检索学会会议一般主席（The General Chair of the Eighth Asia Information Retrieval Societies Conference，AIRS2012）；主要研究方向：机器学习、量子人工智能、信息检索和自然语言处理；近年来发表论文50余篇，发表源包括TNNLS、TOIS、TIST、TALIP、TNN、TKDE、TIFS、Computational Intelligence、IPM、Entropy、IJCAI、SIGIR、AAAI、NIPS、ACL、CIKM、ECIR、和ICTIR 等主要国际学术期刊和会议，作为第一作者和通讯作者的论文分别获得ICTIR2011（the 3rd International Conference on the Theory of Information Retrieval）的最佳论文奖（Best Paper Award）和ECIR2011（the 33rd European Conference on Information Retrieval）的最佳短论文奖（Best Poster Award）；作为首席科学家或项目负责人承担了多项国家重点研发计划项目、863项目、国家自然科学基金项目、欧盟项目、天津市自然科学基金重点项目、以及与微软亚洲研究院、百度、阿里等公司的合作项目。

宋大为 教授

报告题目：A Quantum Cognitive Perspective for Information Access and Retrieval

报告摘要：Information access and retrieval (IAR) over complex online information spaces has become a preferred way of acquiring information and useful knowledge relevant to a user’s information need. Central to the process is the user's continuous yet often uncertain sense- and decision- making processes about information, which result in various non-classical phenomenon that traditional theories turn out insufficient to explain and model. This talk will introduce a quantum cognitive perspective, from which the IAR is modelled with a more general quantum probability framework.

专家介绍：Professor Dawei Song received his PhD from the Chinese University of Hong Kong in 2000. Before he joined Beijing Institute of Technology in 2018, he was a Professor at Tianjin University, China, and a Professor of Computing at The Open University, UK, since 2012. Prior to these appointments, he worked as a Professor of Computing since 2008 at the Robert Gordon University, UK, where he remains as an Honorary Professor since 2012. He has also worked as a Senior Lecturer and Research Director at the Knowledge Media Institute of The Open University, UK, during 9/2005-10/2008; and as a Senior Research Scientist at the Cooperative Research Centre in Enterprise Distributed Systems Technology, Australia, during 2000-2005. His main research interest is focused on formal models for intelligent search, exploration and discovery over textual and multimodal data sources in a way that is adaptive to user’s context of interaction, and compatible with human cognitive information processing. Particularly in the recent 10 years, he has been driving force of an international joint research agenda on quantum-cognition inspired information retrieval models

吕定顺

报告题目：HiQ3.0 量子计算模拟器及开发者工具

专家简介：吕定顺，博士，目前就职于华为2012实验室中央研究院，高级研究员。本科就读于哈尔滨工业大学应用物理学专业，2012年毕业后，保送至清华大学交叉信息研究院， 师从国际知名离子阱实验专家Kihwan Kim，从事量子模拟方面的研究，至今在量子计算、量子模拟领域等已经有8年研究经验。博士期间，曾在Nature Physics，PRX，Nature Communication，PRL，PRA 等国际知名期刊发表论文7篇，H index为8，Google论文累计引用大于500次。18年博士毕业后，入职华为。目前专精并聚焦在量子软件和算法研究领域。在华为工作期间主要聚焦基于变分本征求解（VQE）的量子多体模拟（量子化学模拟，Hubbard model，Schwinger model，Heisenberg model模拟）以及量子近似算法研究（QAOA）。相关主要成果已经在2019和2020届Huawei Connect 大会上发布，并有对应的软件包HiQ Fermion 和HiQ Optimizer。

李晓鹏 教授

报告题目：机器学习辅助量子算法设计

报告摘要：量子算法设计是高效运用量子计算优势的必备模块，但是在具体问题中设计高效的量子算法一般具有一定的困难，尤其在考虑了噪声鲁棒性的情况下变得极为困难。本次报告将介绍运用机器学习方法自动化的设计量子绝热算法。报告将通过具体问题如Grover搜索、3SAT等的最优化量子绝热算法设计，阐述自动化设计量子绝热算法的适用性、可迁移性和可拓展性。

专家简介：李晓鹏，复旦大学物理系教授，主要从事基于原子系统的量子模拟、量子优化等方面的研究。2008年本科毕业于中国科学技术大学，2013年在美国匹兹堡大学获得博士学位，期间获得KITP Graduate Fellowship，在加州大学圣塔芭芭拉分校访问一年。2013-2016年在马里兰大学从事博士后研究，2016底加入复旦大学物理系，2017年入选福布斯中国U30青年科技精英榜。

邱锡鹏 教授

报告题目：自然语言处理中的自注意力模型

报告摘要：目前自注意力模型（比如Transformer）在自然语言处理领域取得了广泛的成功。本报告主要介绍我们在自注意力模型方面的一些工作，主要涵盖两部分内容：1）Transformer及其改进模型：通过分析Transformer的基本原理和优缺点，提出一些改进模型Star-Transformer、Multi-Scale Transformer、BP-Transformer等。2）Transformer模型的应用：将Transformer模型应用在文本分类、实体名识别等自然语言任务上，并通过针对性的改进来进一步提高性能。最后，对Transformer模型及其未来发展趋势进行展望。

专家简介：邱锡鹏，复旦大学计算机科学技术学院教授，博士生导师。于复旦大学获得理学学士和博士学位。主要从事自然语言处理、深度学习等方向的研究，发表CCF A/B类论文70余篇，获得ACL 2017杰出论文奖（CCF A类）、CCL 2019最佳论文奖。出版开源专著《神经网络与深度学习》，Github关注人数1.3万，豆瓣评分9.6分。获得国家优秀青年科学基金、首届中国科协青年人才托举工程项目、钱伟长中文信息处理科学技术奖青年创新一等奖、Aminer"2020年度AI 2000人工智能全球最具影响力提名学者"等。培养学生曾获中国中文信息学会优博、中国人工智能学会优博、微软学者、微软学者提名、百度奖学金、上海市优博提名等。

刘知远 副教授

报告题目：知识指导的自然语言处理

报告摘要：近年来深度学习技术席卷自然语言处理（NLP）各大领域。作为典型的数据驱动方法，深度学习面临可解释性不强等难题，如何将人类积累的大量语言知识和世界知识引入深度学习模型，是改进NLP深度学习模型性能的重要方向，同时也面临很多挑战。本报告将系统介绍知识指导的自然语言处理的最新进展与趋势。

专家简介：刘知远，清华大学计算机系副教授、博士生导师。主要研究方向为表示学习、知识图谱和社会计算。已在ACL、IJCAI、AAAI等人工智能领域的著名国际期刊和会议发表相关论文80余篇，Google Scholar统计引用超过1万次。承担多项国家自然科学基金。曾获中文信息学会青年创新奖，入选中国科学青年人才托举工程。

张鹏 副教授

报告题目：量子理论和自然语言处理

报告摘要：量子理论的数学框架为建模人类认知过程的不确定性提供了强大的理论工具，量子认知已经应用于人工智能、心理学、认知科学、社会学等多个宏观领域。特别地，在大数据和人工智能方面，衍生出量子机器学习和量子信息检索等新兴的研究方向。本次报告将主要介绍将量子理论应用在信息检索和自然语言处理等人工智能任务的基本思想、主要模型和前沿进展。通过回顾量子信息检索的发展历史，介绍量子语言模型的研究动机和研究脉络，重点讲述近年来量子理论在语言建模方法、预训练语言模型优化以及信息检索相关性匹配建模等方面的突破性进展，并提出量子人工智能进一步的研究思路与未来愿景。

专家简介：张鹏，天津大学智能与计算学部副教授，计算机学院副院长，入选天津大学北洋学者-青年骨干教师计划，微软亚洲研究院铸星计划，十余年来致力于量子信息检索和量子人工智能的研究工作，并积极推动研究成果的落地应用。发表论文包括中国计算机学会（CCF）推荐A/B类会议论文（NeurIPS, SIGIR，ICLR，ACL，IJCAI，AAAI，WWW，CIKM，EMNLP）和期刊论文（TNNLS，TKDE，TIST，IP&M）。获得顶级学术会议SIGIR 2017 Best Paper Award Honorable Mention，欧洲信息检索会议ECIR 2011 Best Poster Award.

李伟 副教授

报告题目：Automatic Searching of Microscopic Models in Quantum Magnets

报告摘要：Finding the effective model of correlated quantum materials has long been a challenge for the community. In this talk, we present a novel methodology of finding the correct parameters by optimizing the figure of merits between the theoretical calculations and experiment data, in terms of thermodynamics fittings. We implement two different optimization strategies: a local gradient-based search with LBFGS restart and a global Bayesian optimization, and compare them with the traditional random grid search. We employ this automatic searching methodology to find the microscopic quantum models of several realistic magnetic materials.

专家简介：Wei Li, Associate Professor at School of Physics, Beihang University, mainly working on quantum many-body physics, including tensor network methods and their applications to quantum magnetism and correlated electrons, etc.

廖海军 副研究员

报告题目：Differentiable Programming Tensor Networks

报告摘要：Differentiable programming is a fresh programming paradigm which composes parameterized algorithmic components and optimizes them using gradient search. The concept emerges from deep learning but is not limited to training neural networks. We present the theory and practice of programming tensor network algorithms in a fully differentiable way. By formulating the tensor network algorithm as a computation graph, one can compute higher-order derivatives of the program accurately and efficiently using automatic differentiation. We present essential techniques to differentiate through the tensor networks contraction algorithms, including numerical stable differentiation for tensor decompositions and efficient backpropagation through fixed-point iterations. As a demonstration, we compute the specific heat of the Ising model directly by taking the second-order derivative of the free energy obtained in the tensor renormalization group calculation. Next, we perform gradient-based variational optimization of infinite projected entangled pair states for the quantum antiferromagnetic Heisenberg model and obtain state-of-the-art variational energy and magnetization with moderate efforts. Differentiable programming removes laborious human efforts in deriving and implementing analytical gradients for tensor network programs, which opens the door to more innovations in tensor network algorithms and applications.

专家简介：廖海军，2009年中国人民大学本科毕业，2014年中国人民大学博士毕业，2014年至2017年在中国科学院物理研究所从事博士后，2017年至今在中科院物理研究所担任副研究员。主要专注于量子多体计算方法的发展与应用。

程嵩 助理研究员

报告题目：Simulating Noisy Quantum Circuits with Matrix Product Density Operators

摘要：Simulating quantum circuits with classical computers requires resources growing exponentially in terms of system size. Real quantum computer with noise, however, may be simulated polynomially with various methods considering different noise models. In this work, we simulate random quantum circuits in 1D with Matrix Product Density Operators (MPDO), for different noise models such as dephasing, depolarizing, and amplitude damping. We show that the method based on Matrix Product States (MPS) fails to approximate the noisy output quantum states for any of the noise models considered, while the MPDO method approximates them well.

专家简介：程嵩，北京雁栖湖应用数学研究院助理研究员。2014年本科毕业于四川大学物理系，2019年在中国科学院物理研究所获得博士学位。2019年7月-2020年9月在鹏城实验室量子计算研究中心任助理研究员，从事量子模拟与量子机器学习算法研究。2020年10月入职北京雁栖湖应用数学研究院，目前研究兴趣主要集中在开发将张量网络结构应用于机器学习和量子计算的新算法。

温颖 助理教授

报告题目：多智能体深度强化学习及（量子）博弈分析

报告摘要：近年来，深度强化学习在各类单智能体的的任务上取得了巨大的成功，但将深度强化学习应用到多智能体的问题上仍旧是一个很有挑战性的任务。这是因为在多智能体任务中，智能体之间存在额外的交互，如果智能体独立学习，将忽略同一环境里其他智能体的存在，从而打破强化学习中的稳态理论假设。在本次讲座中，首先，我们将概述多智能体深度强化学习的概念与挑战。其次，我们将覆盖一些简单的单智能体扩展到多智能体的深度强化学习算法，如独立学习者（Independent Learner）和中心化评论家（Centralized Critic）算法等。之后我们将探讨如何将博弈分析应用到多智能体深度强化学习，如Policy-space Response Oracles (PSRO)和潜在的与量子博弈分析的结合方向。

专家简介：温颖，上海交通大学约翰·霍普克罗夫特计算机科学中心长聘教轨助理教授。他于2020年从英国伦敦大学学院计算机系获得博士学位，导师为Jun Wang教授。在此之前，他分别于2016年和2015年从伦敦大学学院和北京邮电大学获得荣誉硕士和荣誉学士学位。他的主要研究方向涉及多智能体学习，强化学习及博弈论在其中的应用。他的多篇研究成果发表在ICML, ICLR, IJCAI, AAMAS等相关领域的一流国际会议上。他曾担任NeurIPS, IJCAI, AAAI等国际知名会议的PC成员，以及Transactions on Information Forensics & Security，Operational Research，IROS等多个国际知名期刊和会议的审稿人。

刘丁 博士

报告题目：Machine Learning by Hybrid Tensor Networks

报告摘要：Tensor networks (TN) have found a wide use in machine learning, and in particular, TN and deep learning bear striking similarities. In this talk, we propose the hybrid tensor networks (HTN) which combine tensor networks with classical neural networks in a uniform deep learning framework to overcome the limitations of regular tensor networks in machine learning. We first analyze the limitations of regular tensor networks in the applications of machine learning involving the representation power and architecture scalability. We conclude that in fact the regular tensor networks are not competent to be the basic building blocks of deep learning. Then, we discuss the performance of HTN which overcome all deficiencies of regular tensor networks for machine learning. In this sense, we are able to train HTN in the deep learning way which is the standard combination of algorithms such as Back Propagation and Stochastic Gradient Descent. We finally provide two applicable cases to show the potential applications of HTN, including quantum states classification and quantum-classical autoencoder. These cases also demonstrate the great potentiality to design various HTN in deep learning way.

专家简介：刘丁，天津工业大学计算机科学与技术系讲师，2014年博士毕业于清华大学，2016年至2017年为西班牙光子科学研究所（ICFO）量子信息理论组公派博士后。目前主要研究方向为量子机器学习、机器学习。主持天津市自然科学基金项目、天津市教委科研计划项目，参研国家自然科学基金等科研项目，在New Journal of Physics、Physical Review B、Pattern Recognition Letters、ACL等学术期刊和会议发表论文十余篇。担任学术期刊Neural Computation、Machine Learning Science and Technology、及学术会议NeurIPS 2020 workshop on quantum tensor networks in machine learning审稿人。

冉仕举 副研究员

报告题目：Bayesian Tensor Network: Towards Efficient and Interpretable Probabilistic Machine Learning

报告摘要：Developing novel machine learning models with both high interpretability and efficiency is an important but extremely challenging issue. In this work, Bayesian tensor network (BTN) is proposed by combining Bayesian statistics with tensor network (TN), which captures the conditional probabilities of exponentially many events efficiently with polynomial complexity and meanwhile retraining high interpretability as a probabilistic model. BTN is tested on classifying images of hand-written digits and fashion articles, where the classification tasks are mapped to the problems of capturing the conditional probabilities in an exponentially large sample space. Impressive performance using simple loop-free structures are demonstrated with insignificant over-fitting. Furthermore, BTN can be used to as a module to construct novel end-to-end models by hybridizing with neural networks.

专家简介：首都师范大学物理系副研究员。2006年-2010年北京师范大学物理学系本科，2010年-2015年中国科学院大学物理科学学院博士，2015年-2018年西班牙光子科学研究所（ICFO）Fundacio-Catalunya独立博士后研究员；期间访问德国马克思-普朗克研究所、美因茨大学、慕尼黑大学等；研究方向包括强关联系统的数值计算与量子模拟、量子信息与量子计算、量子机器学习模型与算法等；在多个国际著名学术期刊（PRA/B/E/L/X、NJP等）共发表学术论文二十余篇，在Springer出版张量网络专著一部；多次参加国际学术会议并作邀请报告；担任RMP, NPJ, IEEE等多个国际期刊及会议审稿人。

王本友 博士

报告题目：How Quantum Theory Contributes to NLP?

报告摘要： Quantum theory and quantum computation are naturally suited to managing data in a high dimensional space, in which data may be superposed and also entangle with each other. Interestingly, such superposition principles and entanglement phenomena can arguably be found in natural language. Recently, natural language processing has been largely improved by using large-scale pretraining language models with massive cheap unstructured corpora and huge neural networks (e.g., BERT, GPT, etc.). Such neural networks dealing with massive data may therefore benefit from quantum theory, especially processing large-amount high-dimensional data in BERT and GPT. How quantum theory contributes to NLP in the context of large-scale pretraining language models is worthy investigated. In this report, many aspects of processing natural language, e.g., efficiency, effectiveness, interpretability, and semantic cognition, will be discussed with quantum theory.

专家简介：王本友，意大利帕多瓦大学博士生，欧盟玛丽居里研究员。在天津大学获得硕士学位，曾在丹麦哥本哈根大学，加拿大蒙特利尔大学，荷兰阿姆斯特丹大学，华为诺亚方舟实验室交流访问，多次受邀在MILA，头条，腾讯，华为等研究所和企业做主题报告。在工业应用方面，他2017年开始曾在腾讯全职工作，作为主要算法设计人员，在腾讯云上从零搭建了稳健的智能客服系统，服务中国银行，云南省旅游局等头部客户；并与腾讯同事合写的《推荐系统与深度学习》由清华大学出版社出版。在相对较短的学术生涯，他致力于构建更加鲁棒和智能的自然语言处理系统，兼顾技术合理性和语言学动机。迄今他和他的合作者一起获得了国际信息检索顶级会议SIGIR 2017最佳论文提名奖和国际自然语言处理顶级会议NAACL 2019最佳可解释论文，发表了包括国际顶级会议ICLR/SIGIR/WWW/NAACL/AAAI/IJCAI/CIKM等20余篇。

王坤坤

报告题目：单光子量子图片分类器

摘要：量子机器学习依据量子态的相干及关联特性，可以进一步优化传统机器学习的各种性能，解决一些经典难解的问题。但一般实现解决实际问题的量子机器学习过程，系统所需承载信息及控制的维度和量子比特数目较大，在当今嘈杂中型量子时代依然很难进行实验实现及应用。本报告将介绍一种基于张量网络机器学习，单光子编码实现可扩展的量子图片分类器。我们通过纠缠优化张量网络，缩减系统空间维度需求，再通过张量网络结构构建两量子比特量子线路，一定程度上克服了实现传统机器学习对量子资源需求过大的问题，进而再以单光子编码两量子比特，实现两量子比特图片分类线路，搭建成图片分类成功率高达98%以上的单光子量子图片分类器。

专家简介：王坤坤，北京计算科学研究中心，博士后。本科毕业于安徽大学，后进入东南大学攻读博士学位，师从薛鹏教授。于2019至今，于北京计算科学研究中心从事量子物理与量子信息的实验及理论研究工作，已在量子力学基本原理包括不确定关系、宏观实在性，和纠缠在量子度量及机器学习中的应用等方向上取得重要研究成果。此外，还以量子行走作为量子模拟平台，模拟研究了厄米及非厄米时间-宇称对称下的量子动力学演化中的神奇的拓扑现象，实现了量子排名算法等。目前为止，已在Phys. Rev. Lett.，Nat. Commun.，Optica等国际一流期刊，以第一作者发表SCI学术论文多篇，并有两篇入选ESI高被引论文。

孙正之

报告题目：Tensor Network: A Bridge of Quantum Physics and Machine Learning

报告摘要: Booming progresses have been made in quantum physics and machine learning independently in the past decades. An exciting idea is to combine these two disciplines to achieve greater success such as quantum intelligence. Here we introduce the tensor network (TN) as a generative classifier for classical images and a preprocessor for quantum many-body states. For classical problems, TN machine learning model can be efficiently optimized and accurately classify images. For quantum problems, TN combined with classical nonlinear dimensionality reduction method can identify quantum phases and phase transitions with no prior knowledge of order parameter.

专家简介：孙正之，本科毕业于北京理工大学，获物应用物理专业学士学位。目前就读于中国科学院大学物理科学学院理论物理专业，博士二年级，导师为苏刚教授。研究生期间已发表五篇SCI论文，研究方向张量网络算法，量子智能和量子线路。

潘峰

报告题目：Contracting Arbitrary Tensor Networks: General Approximate Algorithm and Applications in Graphical Models and Quantum Circuit Simulations

报告摘要：We present a general method for approximately contracting tensor networks with an arbitrary connectivity. This enables us to release the computational power of tensor networks to wide use in inference and learning problems defined on general graphs. We show applications of our algorithm in graphical models, specifically on estimating free energy of spin glasses defined on various of graphs, where our method largely outperforms existing algorithms, including the mean-field methods and the recently proposed neural-network-based methods. We further apply our method to the simulation of random quantum circuits and demonstrate that, with a trade-off of negligible truncation errors, our method is able to simulate large quantum circuits that are out of reach of the state-of-the-art simulation methods.

专家简介：潘峰，本科毕业于南京航空航天大学，获物理与数学双学位。目前就读于中国科学院理论物理研究所，博士二年级，导师为张潘研究员。研究兴趣为统计推断、自旋玻璃理论和张量网络算法。

马星宇

报告题目：机器学习方法在先进功能材料设计中的应用

报告摘要：先进功能材料的革新对技术进步和产业升级有着非常重要的意义，但是目前开发新材料的过程，普遍采用试错法，研发周期长，资源浪费严重。另外，目前材料合成和表征的实验技术手段越来越多，对应的数据也越来越复杂，仅依靠人力的分析往往难以挖掘出材料结构和性能之间的深层联系；再者，随着计算机的发展，许多诸如第一性原理计算和分子动力学模拟，用以进行材料的结构以及性能方面的计算，但是其计算量庞大，成本高昂。这些因素都极大地限制先进功能材料的革新。为了解决上述出现的问题，科学家发现结合目前人工智能的方法，我们可以将所有的实验数据，计算模拟数据，整合起来，形成材料数据库；在数据库中，根据材料的某些属性可以建立机器学习模型，便可快速对材料的性能进行预测，甚至设计新型先进功能材料，解决了材料研发周期长、成本高的问题，人工智能的方法和材料数据库的完美结合已经被称为“材料科学的新范式”。

专家简介：马星宇，本科毕业于东南大学物理学院。目前就读于中国科学院大学物理科学学院，博士一年级，导师为苏刚教授。研究兴趣为基于第一性原理计算和机器学习的二维功能材料理论设计与物性研究。