量子计算与人工智能的深度融合，正成为推动下一代计算范式变革的重要力量。两者的协同并非单向赋能，而是在算法设计、编译优化、可训练性分析与复杂度理论等多个层面形成双向驱动的创新闭环。

本论坛围绕"量子计算与AI的融合发展"主题，邀请四位学者从理论与实践双重视角呈现前沿进展。报告一以大语言模型自动发现量子电路编译算法，在超导与中性原子体系上实现显著性能提升，展示了AI赋能量子编译的新范式。报告二针对参数化量子电路中的"贫瘠高原"难题，提出硬件高效且对噪声鲁棒的普适消除方法，为量子机器学习的可训练性提供理论保障。报告三从动态李代数角度系统分析QAOA在结构化图与随机图上的表征能力与可训练性，深化对变分量子算法的数学理解。报告四探讨量子计算在马尔可夫决策过程与重尾噪声随机优化的加速潜力，建立计算与采样复杂度的上下界，刻画量子优势的理论极限。

四个报告横跨"AI for Quantum"与"Quantum for AI"两大方向，兼顾算法创新与理论根基，旨在为与会者呈现量子智能融合的全景视野与未来路径。

张胜誉，腾讯杰出科学家，腾讯量子实验室负责人，原香港中文大学终身教授。复旦数学系本科，清华计算机系硕士，普林斯顿大学计算机系博士，加州理工学院博士后。研究领域为量子算法、量子电路、量子系统、理论计算机科学、人工智能基础及在物理、化学、生物医药等方面的应用。在相关领域顶级期刊和会议上发表百余篇文章；于多个国际期刊/会议中任编委/程序委员。2018年加入腾讯后致力于推动腾讯在量子算法及电路理论方面的研究，相关量子软件和系统的研发，以及量子计算在信息处理，制药，材料等行业领域的应用探索。

李彤阳，现任北京大学前沿计算研究中心助理教授，博士生导师，北京大学博雅青年学者，国家自然科学基金面上项目、重大研究计划培育项目负责人。他的科研围绕量子计算、人工智能、理论计算机的交叉领域展开，研究成果已在Nature Physics、Nature Communications、Journal of the ACM、Physical Review Letters、IEEE Transactions on Information Theory、STOC、FOCS、ICML、NeurIPS、ICLR 等期刊、会议发表论文五十余篇。

报告主题：From Hand-Crafted Heuristics to LLM-Driven Automatic Algorithm Discovery for Quantum Circuit Compilation

摘要：Quantum compilation has traditionally relied on carefully designed heuristics developed through substantial human expertise. This talk presents SimpleTES, a general framework that uses large language models to automatically discover and improve algorithms through iterative generation, evaluation, and refinement. We apply SimpleTES to superconducting qubit routing and neutral atom compilation. The discovered superconducting routing algorithm reduces added SWAPs by 21.7% relative to SABRE and 14.9% relative to LightSABRE across 24 circuits and three device topologies, while the neutral atom compiler reduces geometric mean execution time by 33.2% across 36 circuits and improves 34 of them. These results illustrate how artificial intelligence and quantum computing can be combined to enable automated discovery of effective and interpretable quantum algorithms.

魏朝晖，本科和博士均毕业于清华大学计算机系，现任清华大学丘成桐数学中心长聘副教授。魏朝晖主要从事量子计算的理论研究工作，研究方向包括量子信息理论、量子计算复杂性、量子人工智能、量子纠错、量子错误缓解等，部分成果发表于IEEE Transactions on Information Theory, Science Advances, Physical Review Letters, Mathematical Programming等重要学术期刊。

报告主题：一种解决任意变分量子电路中贫瘠高原问题的普适方法

摘要：参数化量子线路（PQC）近年在量子计算中得到了广泛的应用。然而，现有的 PQC 架构面临诸多挑战，其中“贫瘠高原”现象尤为突出。在这种情况下，损失函数会随着系统规模的增加而呈指数级集中，从而阻碍有效的参数优化。为了解决这一根本性挑战，我们提出了一种通用且硬件高效的方法，并严格证明其可以消除任意 PQC 中的贫瘠高原现象。具体来说，我们通过在原始 PQC 中插入一层易于实现的量子信道来实现这一目标，而每个量子信道仅需要一个辅助量子比特和额外的四个量子门，我们称调整后的 PQC为MPQC。我们严格证明，MPQC 的表达能力不低于原始 PQC，且可以保证其不存在贫瘠高原。进一步地，通过适当地再次调整 MPQC 的结构，我们将严格证明原始 PQC 中的任意参数都将变得可训练。值得强调的是，MPQC 中贫瘠高原的消失对于现实中的噪声具有鲁棒性，因此该方法可以直接应用于当前的量子硬件上。数值模拟结果表明，在规模高达 100 个量子比特和 2400 层的量子系统热态制备量子电路上，MPQC 能够有效消除贫瘠高原现象。此外，在求解复杂哈密顿量基态能量问题的全环节数值模拟中，MPQC的性能显著优于传统 PQC。

Jon Allcock，现任腾讯量子实验室首席研究员，主要研究方向涵盖量子计算各领域，包括近期含噪中等规模（NISQ）时代的变分量子算法与量子机器学习、量子网络、量子电路设计以及面向容错量子计算机的结构化量子算法。他于英国布里斯托大学获得博士学位，师从Noah Linden教授。

报告主题：结构化图与随机图上的QAOA-MaxCut动态李代数分析

摘要：动态李代数（DLA）是研究含参量子电路的重要工具，可用于刻画量子电路的表征能力与可训练性。已有研究表明，变分量子算法中是否会出现贫瘠高原现象——即目标函数在参数空间中梯度指数级衰减、从而导致训练困难的现象——与其量子电路所对应的动态李代数及其相关性质密切相关。

本工作深入探讨了量子近似优化算法（QAOA）中的动态李代数。QAOA 是目前研究最广泛的变分量子算法之一，常用于求解最大割（MaxCut）等组合优化问题。然而，对于一般图上的 QAOA，其动态李代数通常很难被完整计算。本报告将重点讨论两类具有代表性的极端情形：一类是具有高度结构性和对称性的图，另一类是高度随机的图。我们将介绍如何刻画相应的动态李代数，并进一步推断是否存在贫瘠高原现象。

罗彬，现为香港中文大学计算机科学与工程学院博士研究生，师从吕自成（John C. S. Lui）教授。主要研究兴趣包括量子算法与量子复杂度，以及量子计算在强化学习、机器学习等领域中的加速与实际应用，同时关注量子通信网络。

报告主题：量子加速人工智能中的决策与优化：从马尔可夫决策过程到随机优化

摘要：马尔可夫决策过程与随机优化分别构成现代人工智能中序贯决策和模型训练的重要数学基础，但其计算复杂度往往随状态空间、动作空间、优化精度及噪声强度快速增长。本报告将介绍量子计算如何为这两类核心问题提供可证明的计算加速。

首先，我们讨论有限时域且时变的马尔可夫决策过程。通过将量子最大值搜索和量子均值估计嵌入值迭代框架，可以在已知环境动态和生成模型两类访问设定下，降低求解最优或近似最优策略及价值函数所需的查询复杂度与样本复杂度，并在状态空间、动作空间、时间跨度和估计精度等参数上获得相对于经典算法的加速。相应的经典与量子下界进一步刻画了这些加速的最优性及其理论边界。

随后，我们研究重尾梯度噪声下的随机优化问题。针对方差可能不存在的多元重尾随机变量，我们构造量子重尾均值估计器及其无偏版本，并将其应用于非凸和凸随机优化，分别得到量子归一化随机梯度下降和量子投影随机梯度下降算法。结果表明，在随机梯度维度较低时，量子算法可以突破经典随机优化的查询复杂度下界。