本周日上午 10:00 - 12:00，我们将在学堂 112【线下】给大家带来张致涵，马牧洲同学的报告。报告内容与 quantum information 相关。在报告前后，同学们可以吃零食 and/or 自由交流。
报告 1 摘要
张致涵是姚班2021级（计科11）的本科生，研究方向为量子学习理论。在本次 Seminar 中，他将分享在哈佛大学 Sitan Chen 研究组春研期间与合作者叶奇（计科80）、龚维元（计科92）共同完成的关于不可知层析 (agnostic tomography) 和魔法 (magic) 估计的研究。不可知层析指的是，在一个给定的预设结构集合 (ansatz) 中，寻找最接近某个未知态的态。而魔法衡量了量子器件实现量子优势的能力。此前，只有对少数特定的预设结构集合，才存在高效的不可知层析算法：一个人最多能得到与真正答案相关的数据，但很难从中筛选出真正有信息量的部分，而暴力枚举则需要指数的时间；而对于稳定子保真度 (stabilizer fidelity) 这一魔法度量，此前尚无已知的高效估计算法。在本工作中，我们提出了一个通用框架 stabilizer bootstrapping 以用于构造适用于多种预设结构集合的高效不可知层析算法，并给出了首个估计稳定子保真度的高效算法。本工作已被 STOC 2025 接收，论文链接：https://arxiv.org/abs/2408.06967
报告 2 摘要
马牧洲是电子系大四学生。他将分享如何通过时间烟花学习哈密顿量。哈密顿量学习是量子物理中的一个基本问题，对于理解和控制量子系统至关重要。准确的哈密顿量模型对于诸如量子模拟、量子纠错等任务尤为关键，在这些任务中，对相互作用的精确掌握有助于实现更优的优化与控制。该问题在计算机科学中也具有重要意义，其中类似的任务如学习无向图模型等在许多机器学习框架中扮演着核心角色。在本次报告中，他将回顾在不同结构假设下进行哈密顿量学习的多种方法，并评估这些方案的性能。随后，他将介绍通过量子动力学实现“海森堡极限”标杆精度的两阶段方法：首先学习k体哈密顿量，然后扩展到任意哈密顿量。此外，他还将展示一般哈密顿量学习问题的一个下界，揭示总演化时间与数字量子控制之间在学习任务中的基本权衡关系。
欢迎全体同学参加~
Make IIIS Great Again!
