CCF Computility 2025 | 李绿周、孙晓明、范桁等教授邀您共话量子计算论坛

讲者简介：陈建鑫，清华大学计算机系长聘副教授，近期专注于量子计算机的系统设计与实现，量子纠错与容错等方向的研究。2005年与2010年分别获得清华大学计算机学士与博士学位，随后在加拿大滑铁卢大学量子计算研究所与美国马里兰大学帕克分校的量子信息与计算机科学联合中心从事博士后研究。在今年3月加入清华大学计算机系之前，在达摩院量子实验室领导系统团队与北美团队的研发工作。在Nature Physics、Nature Computational Science、PRL、PRX Quantum、Communications in Mathematical Physics、IEEE Transactions on Information Theory、QIP、ASPLOS、DAC等横跨数学、物理与计算机的顶刊与顶会上发表70余篇文章，其中多篇工作被选为PRL highlights。 

报告题目：从量子物理实验到量子计算机

报告摘要：自肖尔算法揭示量子计算在因数分解等关键问题上具有指数级加速潜力以来，这一领域便持续吸引着学术界和产业界的高度关注。从上世纪90年代实验室里操控几个量子比特的基础物理实验，到今天已能精准操纵数百个量子比特进行初步计算尝试，我们正如人类祖先刚刚掌握火种一般，正在学习驾驭量子比特操控这一革命性的新能力。在这个报告中，将从量子计算机系统研究的视角，与大家探讨以下核心议题：1. 从实验室演示到实用化量子计算机，我们还有多远？2. 未来的量子计算系统将呈现怎样的形态特征？3. 实现通用量子计算需要突破哪些关键技术瓶颈？

讲者简介：范桁，中科院物理研究所研究员，固态量子信息与计算实验室主任，长期从事量子计算与量子信息理论与实验研究，近年来集中于超导量子计算与模拟，取得10比特多体局域化，30比特陈绝缘体，41比特霍夫施塔特能谱，78比特预热化等系列量子计算量子模拟成果，获得周培源物理奖。发表文章360余篇，包括（S,NS子刊，PRX/L/PRX-Quant, Optica,npj-QI,Phys.Rep.）47篇。

报告题目：超导量子计算与量子模拟

报告摘要：超导量子比特系统具有长相干时间，操控精确，扩展性强，运行稳定等特点，是是实现量子计算和量子模拟的重要技术路线。报告将展示近年来课题组在量子纠缠态制备，量子模拟热化局域化及拓扑物态等系列进展，并展示具有科学价值的量子优势。

讲者简介：黄合良，河南省量子信息与量子密码重点实验室副教授。“祖冲之号量子计算优越性”理论工作负责人。以(共同)第一/通讯作发表论文30余篇，含PRL 7篇、Optica 2篇、IEEE TNNLS 1篇等，被引6000+，ESI高被引4篇；获戈登贝尔奖、亚太区TR35等。

报告题目：量子计算的错误抑制

报告摘要：本次报告将重点介绍我们在祖冲之号上实现的量子计算优越性，以及在量子计算错误抑制技术上的进展。

讲者简介：孙晓明，CCF会士、量子计算专委会主任，中国科学院计算技术研究所研究员，量子计算与算法理论实验室主任，国家杰出青年科学基金获得者。主要研究领域为算法与计算复杂性、量子计算等，曾获王选杰出青年学者奖等。目前担任《中国科学:信息科学》《软件学报》《Information and Computation》《FCS》等期刊编委。

报告题目：量子拜占庭共识协议

报告摘要：量子计算利用量子叠加、量子纠缠等特性来实现计算加速，在密码破译等领域已经展现出指数级加速的潜在优势。当前超导量子处理器正将突破千比特量级集成，但单芯片扩展面临物理、工程上的诸多挑战，发展分布式量子计算势在必行。本报告将简要汇报我们近期在量子分布式计算中的拜占庭共识协议方面的一些研究进展。

讲者简介：卢丽强，浙江大学计算机学院研究员，博士生导师。本科与博士毕业于北京大学，研究方向为计算机体系结构、量子计算软件与应用等。近五年以一作/通讯发表25篇体系结构领域、EDA领域CCF-A类论文，入选美国斯坦福大学与Elsevier发布的全球前2%顶尖科学家榜单，在ASPLOS 2024、HPCA 2025做tutorial报告（中国首次在体系结构四大会上组织量子计算相关tutorial）。主持国家重点研发计划(青年)、国自然面上、浙江省杰青、浙江省科技厅尖兵项目、华为企业横向等项目。曾获得全球可持续发展青年（30u30）、华为火花奖、CCF体系结构优博、北京大学优博年等荣誉。

报告题目：分布式量子神经网络训练与推理

报告摘要：在当前的嘈杂中尺度量子（NISQ）时代，量子神经网络（QNN）模型的性能受到有限的量子比特数量和不可避免的噪声的限制。因此，提高 QNN 部署稳健性的一个自然想法是引入多个量子设备。然而，由于量子设备的异质性和不稳定性，例如噪声、频繁的在线/离线等因素，在分布式量子设备上进行训练和推理甚至可能破坏模型准确性。本次报告将介绍一套 QNN 分布式部署框架——ArbiterQ，旨在面向异构量子处理单元（QPU）实现高效且高精度的训练和推理。 ArbiterQ提出两种统一的 QNN 电路的中间表示——模型向量和行为向量，支持异构QPU的个性化构建网络模型，通过在具有相似行为向量的 QPU 之间共享梯度，ArbiterQ能够有效地在利用分布式设备的并行能力的同时考虑设备异构性。推理方面，我们还提出了面向量子电路执行次数的推理调度优化策略，这种更细粒度的调度方式能够提高推理精度并平衡工作负载。