2024年1月8日下午，香港浸会大学（Hong Kong Baptist University）计算机科学系研究助理教授、复旦大学兼职副教授祁均（Jun Qi）博士应邀来到语音及语言信息处理国家工程实验室，在中国科学技术大学高新区信智楼A400会议室作题为

“From Signal Processing to Quantum Machine Learning: Tensor-Structured Learning for Scalable and Robust Quantum Intelligence”

的高水平学术报告。本次报告由语音及语言信息处理国家工程实验室主办，吸引了来自信息科学学院及相关研究方向的多位师生到场交流。

在报告中，祁均博士系统介绍了量子机器学习（Quantum Machine Learning, QML）在学习与优化领域中的研究进展，并深入分析了其在当前中噪声中等规模量子设备（NISQ）条件下面临的关键挑战，包括模型可训练性不足、可扩展性受限以及对量子噪声高度敏感等问题。围绕这些核心瓶颈，祁博士提出了一个统一视角，阐述如何将张量结构化学习理论——这一源自经典信号处理与机器学习领域的重要理论框架——引入量子学习模型设计中，从而为上述挑战提供系统性、可解释的解决思路。

报告首先回顾了祁均博士早期在统计学习理论与信号处理优化方向的研究工作，重点介绍了其关于深度神经网络向量到向量回归的理论分析成果，该工作曾荣获 IEEE Signal Processing Letters Best Paper Award。在此基础上，祁博士进一步介绍了其近期在张量结构化量子学习方向的代表性成果，包括 Tensor-Train-Network-guided Variational Quantum Circuits (TTN-VQC) 以及 TensorHyper-VQC 等模型，相关研究成果已发表于 npj Quantum Information。

上述方法将张量网络、学习理论与变分量子优化有机结合，在理论上与实验上同时提升了量子学习模型的可训练性、可扩展性与噪声鲁棒性，为构建实用化量子智能系统提供了重要支撑。

在交流讨论环节，与会师生就量子机器学习的理论保障、模型设计范式及其与传统信号处理方法之间的联系进行了深入讨论。祁均博士耐心解答了相关问题，并对量子机器学习与量子信息科学未来的发展方向进行了展望。报告内容前沿、视角新颖，在热烈的掌声中圆满结束。

【嘉宾简介】

祁均（Jun Qi）博士现任香港浸会大学计算机科学系研究助理教授，并兼任复旦大学客座副教授。他于美国佐治亚理工学院（Georgia Institute of Technology）获得电子与计算机工程博士学位，博士期间在 Chin-Hui Lee 教授与 Xiaoli Ma 教授指导下从事语音、语言与信号处理相关研究。

祁博士早期研究主要聚焦于统计学习理论与信号处理优化，在 IEEE Signal Processing Society 旗下多本顶级期刊发表论文，并获得 IEEE Signal Processing Letters Best Paper Award。近年来，其研究方向转向量子机器学习与量子信息科学，在张量结构化变分量子计算方向作出了多项基础性贡献。他作为第一作者在 npj Quantum Information 发表的两篇论文系统建立了量子学习模型在可训练性与可扩展性方面的理论保障，相关工作荣获 Canada Xanadu Quantum Machine Learning Research Award 一等奖。