报告题目 (Title)：物理信息量子算法：反绝热模拟与主动学习
报告人 (Speaker)：班玥 研究员（西班牙量子前沿研究中心和马德里材料科学研究所）
报告时间 (Time)：2026年10月30日（周五）16:00-19:00
报告地点 (Place)：GA310
邀请人(Inviter)：张永平
主办部门：物理系
报告摘要（中文）：
随着量子系统复杂度的增长，对其模拟、控制与学习变得日益具有挑战性。降低这些成本的一条有前景的途径是将物理结构直接融入量子动力学、算法和学习策略的设计之中。本报告通过从反绝热量子模拟到量子主动学习等一系列示例，呈现一种物理信息的视角。
基于绝热规范势的反绝热方法为物理信息量子模拟提供了一条自然途径。对于蜂窝晶格上的相互作用费米—哈伯德模型，可以将近似反绝热相互作用纳入变分量子算法，以引导多体基态制备[1]。通过利用哈密顿量及其关联规范势的结构，所得的拟设提供了一种在多体希尔伯特空间中导航的有效方式，并且与结构较少的变分方法相比改善了态制备。
同样的视角也延伸到从量子数据中学习。量子主动学习[2]将基于不确定性的采样与对称性信息量子神经网络相结合，减少了伊辛系统中量子相分类等任务所需的标注需求。这些结果共同表明，物理结构如何能够提高多体模拟和量子学习的效率。
[1] J Tang, et. al., Exploring ground states of Fermi-Hubbard model on honeycomb lattices with counterdiabaticity, npj Quantum Materials 9 (1), 87 (2024).
[2] Y Ding, et. al., Quantum active learning, Physical Review A 112 (1), 01240 (2025).
报告人简介（中文）：上海大学本硕，西班牙巴斯克大学博士，马德里材料科学研究所博士后，现为马德里材料科学研究所研究员。
