本周日下午 14:00 - 16:00，我们将在学堂 112【线下】给大家带来张焕晨老师和郝梓涵同学的报告。两场报告分别与数据库系统和量子信息相关。在两场报告之间，同学们可以吃零食 and/or 自由交流。
报告 1 摘要
张焕晨是清华大学交叉信息研究院 (姚班) 助理教授，主要研究方向是数据库系统。他博士毕业于美国卡内基梅隆大学计算机系，曾获2021 SIGMOD Jim Gray Dissertation Award，2018 SIGMOD Best Paper Award等。几十年来，数据库系统研究的重点是在固定资源的条件下优化性能。随着越来越多的数据库应用迁移到云端，张老师的研究组认为云数据库的使用成本应该和性能一样成为数据库优化问题中的一等公民。在本次报告中，他将定义“成本智能”的概念，并简要勾勒出一个为成本智能而设计的云数据库的架构。该科研项目处于早期的阶段，这是关于该系统的vision paper链接：https://www.cidrdb.org/cidr2024/papers/p78-zhang.pdf
报告 2 摘要
郝梓涵是姚班2020级（计科02）本科生。本次seminar他将介绍他与叉院马雄峰老师组内以及哈佛大学的合作者们关于量子态学习（quantum state learning）的理论工作。对目标量子态的学习是量子信息任务中基础的一环。传统的量子态层析方法（state tomography）需要指数量级的样本复杂度，近年提出的经典影子层析（classical shadow tomography）在只要求学习某些可观测量时样本复杂度（sample complexity）很小，但二者都需要对量子系统进行一定程度的精确操控。在多数模拟式量子模拟（Analog quantum simulation）任务中，很难对系统进行精确控制，难以实现上述方法。在这项工作中，他们提出哈密顿量影子层析（Hamiltonian shadow tomography）的方法，只需要让系统进行单一的内禀哈密顿量演化，通过演化不同的时间提取出目标量子态的所有信息，不需要任何辅助量子比特。对于绝大多数模拟量子系统的哈密顿量而言，他们证明了该方法是信息完备的，并通过数值模拟发现其样本复杂度与经典影子层析方法相近。论文详见 https://arxiv.org/abs/2311.00695 。本次报告不假设听众具有量子信息基础。
欢迎全体同学参加~
Make IIIS Great Again!
