「AI新青年讲座」，聚焦世界顶尖AI研究机构/大学科研新青年的最新研究成果，第一季特邀MIT、牛津、港科大、山大、快手Y-Tech、美团等AI研究机构/大学的八位AI新青年，主讲三维视觉和模型优化部署&TinyML两大领域最新成果。其中模型优化部署&TinyML版块共计4讲，分别由美团无人配送部算法专家余昌黔和麻省理工学院王瀚锐、蔡涵、林己主讲。

量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式。从可计算的问题来看，量子计算机虽然只能解决传统计算机所能解决的问题，但是从计算的效率上，由于量子力学叠加性的存在，某些已知的量子算法在处理问题时速度要快于传统的通用计算机。

在近几年，量子计算机得到飞速发展，目前已经有127量子比特的通用量子计算机可以使用。虽然量子比特数量变多，但是近期量子计算机的瓶颈仍然是量子噪声。非常大的噪声使得在真机上运行的实验结果受到影响，严重降低了结果的准确性。

来自MIT HAN Lab的王瀚锐等人提出了一种可以提高参数化量子电路鲁棒性的方法QuantumNAS，以及面向量子计算和机器学习的Python开发库TorchQuantum。

QuantumNAS借鉴了经典深度学习中的神经网络搜索(NAS)的思路，先构建一个包含很多种架构的量子电路SuperCircuit，然后在设计空间里搜索目标真机上最优的SubCircuit的架构，最后对得到的SubCircuit进行剪枝（Pruning），去掉那些参数很小的量子门，最终将搜索，训练，剪枝后的SubCircuit在真机上进行部署，得到实验结果。通过使用VQE和量子神经网络着两种任务来进行验证，实验结果表明QuantumNAS可以比baseline得到更接近真实值的VQE结果，和更高的量子神经网络MNIST图片分类精确度。

TorchQuantum是王瀚锐等人开发的量子计算和机器学习的Python库，它主要面向两个研究方向：一个方向为量子机器学习，如何通过量子计算机提高机器学习任务的速度和精确度；第二个方向为使用机器学习优化量子计算机系统，即如何使用ML解决量子计算机的系统层级的问题如量子映射，编译，量子脉冲（Pulse）的生成。

3月4日上午10点，「AI新青年讲座」·模型优化部署&TinyML版块特邀MIT HAN Lab在读博士王瀚锐参与，主讲《量子计算参数化电路搜索QuantumNAS的设计及实现》。

王瀚锐目前是麻省理工学院在读博士，师从韩松教授，研究方向为机器学习和量子计算系统，在HPCA、ACL、DAC、NeurIPS等会议发表多篇论文，曾获高通奖学金、百度奖学金、DAC Young Fellow、Analog Devices outstanding student designer等奖项。

在本次讲座中，王瀚锐将围绕QuantumNAS framework和TorchQuantum library进行详细讲解，同时将以量子神经网络实现MNIST图片分类为例，讲解如何使用TorchQuantum库。

本次直播包含主讲和问答两个环节，其中主讲40分钟，问答20分钟。同时，我们还组建了学习群，并邀请见着王瀚锐博士进群，欢迎大家申请！

也向大家预告下，「AI新青年讲座」下一场为三维视觉版块，将于3月10日进行，由牛津大学博士后李可杰主讲，主题为《基于单目RGB视频的多物体定位与重建》。欢迎大家提前锁定！！！

AI新青年讲座

主 题

《量子计算参数化电路搜索QuantumNAS的设计及实现》

提 纲

1、量子计算的研究背景
2、基于NAS提高参数化量子电路架构搜索QuantumNAS
3、量子机器学习Python开发库TorchQuantum
4、TorchQuantum实现MNIST图片分类

讲 者

王瀚锐，麻省理工学院博士生，研究方向机器学习和量子计算系统，在HPCA，ACL,DAC,NeurIPS等会议发表多篇论文，曾获高通奖学金，百度奖学金，DAC Young Fellow，Analog Devices outstanding student designer等奖项。

直 播 信 息

直播时间：3月4日（周五）10:00
直播地点：智东西公开课知识店铺