量子计算与人工智能的相互融合正在开启新一轮计算范式变革，量子系统为AI提供指数级加速潜力，AI则为量子算法设计、硬件调控与软件生态构建注入新方法论。当前，这一交叉领域正处于从理论探索走向实际应用的关键阶段，面临可训练性、可解释性、跨领域适配等多重挑战，亟待从算法设计、实验验证、软件生态、材料发现等多维度协同推进。本分论坛以“量子与人工智能相互融合”为主题，邀请来自南开大学、中国科学院物理研究所、中国科学技术大学、浙江大学、香港浸会大学、清华大学等高校及科研机构的专家学者，围绕量子张量网络机器学习、AI赋能的材料科学数据平台、量子储层计算的实验验证、量子计算软件全生命周期优化、量子序贯决策理论、物理启发的AI大模型构建等前沿方向展开深入研讨，共同探索量子与人工智能双向赋能的方法创新与落地路径。

邓东灵，清华大学交叉信息研究院研究员，海外高层次人才青年项目、国家重大人才计划入选者。2007年获南开大学物理、数学双学士学位，2015年博士毕业于美国密西根大学，后在马里兰大学联合量子研究所从事博士后研究，2018年回国入职清华大学。现任《npj Quantum Information》副编辑，《Communications in Theoretical Physics》、《Quantum Review Letters》编委。主要研究方向为量子人工智能，在Nature, PRL/PRX等期刊上发表论文百余篇。

马秀良，现任中国科学院东莞材料科学与技术研究所研究员、学术委员会主任。曾师从我国著名冶金学家、晶体学家郭可信先生，30余年致力于晶体学与材料电子显微学研究，先后任职于中国科学院金属研究所、物理研究所以及东莞材料科学与技术研究所。他在新型铁电拓扑结构以及准周期晶体和复杂合金相的发现与解析等方面取得系列具有重要国际影响力的研究成果。在Science、Nature、Nature Materials、Nature Nanotechnology、Physical Review Letters等具有重要影响力的国际学术期刊上发表论文300余篇并出版学术专著，推动晶体实验科学的传承。

罗迪，清华大学物理系副教授，兼职清华大学高等研究院。此前，他曾任美国加州大学洛杉矶分校（UCLA）助理教授。2021年至2024年间，他担任美国人工智能与基本相互作用研究所IAIFI Fellow，同时是麻省理工学院（MIT）理论物理中心与哈佛大学（Harvard）物理系博士后。2021年，他在伊利诺伊大学厄巴纳-香槟分校（UIUC）获得数学与物理双硕士学位及物理学博士学位。2016年，他毕业于香港大学，获物理学与数学双学士学位。罗迪博士曾在Google Quantum AI, Vector Institute 和 Simon Foundation 研究实习。他的研究聚焦在AI+Science和量子计算，包括发展AI和量子算法用于量子材料、高能物理和量子信息的科学模拟和发现，以及利用量子物理和统计物理发展构建AI理论和模型。

报告主题：量子+AI: 探索量子科学与人工智能交叉前沿

摘要：量子计算与机器学习的交汇正在形成科学与技术发展的一个重要前沿。在本报告中，我将介绍人工智能在量子计算中的应用，从量子机器学习理论出发获得高效可保证的量子态学习、哈密顿量学习和量子动力学学习，以及通过Koopman operator theory加速量子优化和量子机器学习问题的求解。同时，报告还将介绍受物理和量子理论指导的机器学习研究进展，包括基于物理过程构建和优化大语言模型、用于求解偏微分方程的高效神经网络方法，以及利用多体物理理论优化多足机器人运动策略的探索。这些工作展示了物理、量子理论与人工智能深度融合所带来的新方法与新机会。

刘淼，现任中国科学院物理研究所、东莞材料科学与技术研究所研究员、博士生导师。长期深耕材料大数据与人工智能交叉研究领域，专注于高通量第一性原理计算技术研发，搭建行业材料科学数据库体系，推动海量科研数据与人工智能工具在材料科学领域的落地应用。主导创建的了Atomly.net材料科学数据库；matchat材料科学智能体等系列科学工具，为新材料智能筛选、预测与创制提供核心数据支撑与技术方法。

报告主题：Atomly、Matchat等工具赋能材料科学的创新实践

摘要：当前材料科学正迎来全新范式变革，以高通量计算、专业材料数据库、人工智能为核心的数据科学方法，已成为新材料筛选、性能预测与机理研究的核心手段。本次报告将系统介绍团队自主研发的Matchat材料智能体、Atomly材料科学数据库、GPTFF人工智能通用力场的核心技术与实际应用场景，全面展示团队在材料科学大数据体系搭建、人工智能模型研发、智能材料创制等领域的系列研究进展。

于立伟，南开大学陈省身数学研究所特聘研究员，博士生导师。研究兴趣包括量子人工智能理论、拓扑量子计算、Yang-Baxter方程相关数学物理等。

报告主题：Learning with Tensor Networks: Optimization, Generalization, and Statistical Structure

摘要：Tensor networks provide a structured and physically motivated framework for machine learning, combining expressive high-dimensional representations with notions of locality, geometry, and entanglement. Despite those growing applications, their trainability, generalization, and statistical behavior remain incompletely understood. Here we present three results: the presence and absence of barren plateaus under global and local losses; no-free-lunch bounds and their connection to adversarial vulnerability; and the emergence, as well as breakdown, of Gaussian-process behavior in different tensor-network scaling regimes. Together, these results clarify both the capabilities and fundamental limitations of tensor-network machine learning.

李婷婷，浙江大学软件学院平台“百人计划”研究员、博士生导师，长期从事量子计算与人工智能交叉研究，重点围绕量子人工智能（Quantum AI）、量子计算软件与系统、量子云计算、量子交叉应用等方向开展研究，致力于构建高性能、智能化的量子计算软件与算法体系，推动量子计算在生命健康、金融优化等科学计算场景中的落地应用。累计发表论文40余篇，其中以第一/通讯作者发表CCF A类论文16篇，研究成果发表于Nature、Nature Physics、ISCA、ASE、KDD、INFOCOM、TIFS等国际重要期刊和会议。

报告主题：AI赋能量子计算服务与基准优化

摘要：本报告围绕量子计算软件生态面向实际应用中的可靠性、可扩展性与工程化挑战，研究覆盖量子程序开发、执行评估与编译优化的全生命周期软件技术。随着量子计算向云端服务和规模化应用发展，保障程序正确性、提升执行质量以及优化跨平台部署效率成为关键问题。针对量子程序可靠性保障，提出具备可解释证明轨迹的自动修复方法，实现从漏洞检测到补丁验证的全自动修复流程；针对NISQ设备执行评估，提出自适应噪声感知的量子程序保真度估算方法，利用电路结构分析实现高效精准的质量预测；针对量子编译优化，构建多后端量子电路映射基准数据集，支持跨平台编译策略的系统性评测。相关工作为构建高效、可靠、可扩展的量子计算软件基础设施提供了关键技术支撑。

李兆凯，中国科学技术大学副研究员。从事基于自旋共振的量子计算与量子模拟的实验研究工作多年，在磁共振量子操控上有着丰富的实验经验，取得了量子人工智能算法实现手写识别、压缩量子模拟、量子化学基态问题、线性方程组求解等一系列科学研究成果，相继发表于Nature Physics、Science Advances、Physics Review Letters等期刊上。目前主要研究方向为机器学习与量子计算的交叉，探索实用新型量子算法，在自旋量子计算体系上运行量子机器学习算法，展现出其解决人工智能问题的能力。

报告主题：基于量子储层计算的高精度时间序列预测

摘要：量子计算正逐步从实验室走向产业化，有望突破经典计算在算力与能效上的瓶颈。作为量子计算与经典机器学习的融合，量子人工智能为感知、预测与决策等任务提供了潜在的方法革新。然而，当前的含噪声中等规模量子（NISQ）设备在数据编码效率、算法执行精度等方面仍存在不足，使得量子设备的优势尚未得到清晰体现，缺乏可量化的性能提升证据。为此，本研究提出并实验验证了一种基于量子储层计算的硬件高效人工智能框架。该框架针对经典时序数据设计了高效的量子编码方案，并利用量子系统固有的复杂动力学进行信息处理，降低外部操控资源消耗。我们基于9自旋耦合形成的量子系统对该框架进行了实验验证。在 NARMA基准测试任务中，该方法的误差比此前类似实验下降了1-2个数量级。在基于现实数据集的天气预测任务中，该方法实现了与拥有数千节点的经典储层网络相当甚至更优的性能。这是首次在真实物理实验体系中展示量子机器学习模型在实际问题上的性能优势，验证了量子人工智能方法的有效性，为 NISQ 时代经典-量子混合算法的实用化提供了可行的实验路径和可量化的评估基准。

王绪创博士现任香港浸会大学（HKBU）计算机科学系助理教授。他的主要研究方向为不确定性下的序贯决策（包括在线学习、多臂老虎机和强化学习），致力于为量子网络与智能体网络构建算法基础。他重点关注设计在现实噪声或对抗性反馈下严谨、通信高效且具备理论保证的鲁棒算法。其多项代表性研究成果已发表于NeurIPS、ICML、ICLR、AAAI、SIGMETRICS及INFOCOM等国际顶级学术会议。

报告主题：Quantum Best Arm Identification with Quantum Oracles (基于量子预言机的量子最佳臂识别)

摘要：最佳臂识别（Best Arm Identification, BAI）是随机多臂老虎机（Stochastic Multi-Armed Bandits）中的一个核心问题，其目标是在保证高置信度的前提下，以最少的查询次数识别出表现最优的决策臂。本文首次深入探讨了利用量子预言机（Quantum Oracles）来解决 BAI 问题。针对每次查询仅探测单个臂的场景，我们设计了一种量子算法，其查询复杂度上界相比传统经典算法实现了显著的加速，特别是在最佳臂与次佳臂的奖励差距较小时，量子算法的优势更加突出。在此基础上，针对单次查询能够同时相干探测多个臂的更具一般性的场景，我们进一步设计了高效算法，通过量子并行性实现了更深层次的加速。此外，我们还严谨地证明了这两种场景下的查询复杂度下界，从理论上证实了所提算法的渐近最优性，并通过基于 Qiskit 的量子仿真实验验证了算法的有效性。该论文已被 AAAI 2025 录用。