近日，人工智能领域旗舰会议ICML 2023 (International Conference on Machine Learning）公布论文接收结果，电子信息与电气工程学院计算机科学与工程系长聘轨副教授严骏驰的量子计算团队近期在解决组合优化问题、量子线路搜索与优化、药物辅助设计等方向取得进展，以相关成果投稿的四篇论文全部获会议录用，其中一篇的第一作者为计算机系在读本科生。

1. Towards Quantum Machine Learning for Constrained Combinatorial Optimization: Solving Quadratic Assignment Problem via Quantum Networks

叶欣雨（博士生），严格（博士生），严骏驰

成果简介：

在近现代的量子设备上解决图论组合优化问题一直是一个有望展现量子优越性的有望途径。该研究提出了一种新的量子神经网络来学习解决带有约束的图论组合优化问题，可使用大量的图数据进行监督训练，从而在未见的测试数据上快速推断出问题的解。因此，该方法与著名的量子启发式算法（例如类似于经典模拟退火算法的量子近似优化算法QAOA）具有本质不同，QAOA需要对一个图进行不断优化参数才能得到解。具体来说，该研究针对二次分配问题（QAP）提出了一种名为QAP-QNN的量子参数电路。下图是其总体框架，其中每一层都确保网络具有节点排列不变的性质。研究团队验证了其在两个QAP任务—图匹配与旅行商问题中的有效性。

2. QuantumDARTS: Differentiable Quantum Architecture Search for Variational Quantum Algorithms

吴文杰（硕士生）, 严格（博士生）, 陆徐东（本科生）, 潘开森（本科生）, 严骏驰

成果简介：

随着NISQ时代的到来和机器学习的快速发展，变分量子算法（VQA）变得越来越受到关注，其中包括变分量子本征求解器（VQE）和量子神经网络（QNN）。本文研究了针对VQA的量子结构搜索（QAS）问题，旨在自动设计参数化量子电路（PQC）。与需要大量电路采样和评估的搜索算法不同，本文提出了一种基于Gumbel-Softmax的可微搜索算法，并提供了两个版本：宏搜索（Macro search）和微搜索（Micro search）。宏搜索直接搜索整个电路结构，而微搜索则创新地从小规模问题中推断出子电路结构，然后将其迁移到大规模问题中。我们在未加权最大割、基态能量估计和图像分类三个任务上进行了大量实验。实验结果表明，宏搜索在搜索效率和性能方面均优于现有方法，且几乎不需要先验知识。此外，微搜索的实验结果表明，我们的算法在求解大规模QAS问题方面具有潜力。

3. QAS-Bench: Rethinking Quantum Architecture Search and A Benchmark

陆徐东（本科生）, 潘开森（本科生）, 严格（博士生）, 单佳铭（本科生）, 吴文杰（硕士生）, 严骏驰

成果简介：

自动量子架构搜索（QAS）目前已经在各个领域得到了广泛的研究，并且在这些领域中具有不同的含义。与特定领域的研究不同，本文将QAS问题表述为两个基本的（相对来说更理想的）任务：第一，给定一个任意目标量子线路的量子电路（QC）重建；第二，逼近一个任意量子Oracle。后者可以与各种量子机器学习任务和其他QAS应用的设置联系起来。由于目前针对QAS问题缺乏直接有效的评测方案，本文提出了一种公共的QAS基准，即QAS-Bench。本文评估了六种基线算法，包括暴力搜索、模拟退火、遗传算法、强化学习、混合算法和可微分算法。本文提出的相关评价指标抛弃了现有 QAS 研究中使用的特定领域设计和技术，使得统一的评估成为可能。事实上，对于酉矩阵近似任务，算法实现可能比某些具体物理问题更为复杂，因为它需要探索整个矩阵空间以获得更好的结果，而对于具体的物理任务，往往只需拟合对酉矩阵的部分观测值作为搜索目标。

线路构建效果

4.  Quantum 3D Graph Learning with Applications to Molecule Embedding

  严格（博士生），吴怀瑾（博士生），严骏驰

成果简介：

为了能够降低药物研发过程中先导化合物的筛选与合成工作所需要花费的人力与时间，为了降低药物研发过程中先导化合物的筛选与合成工作所需的人力与时间，机器学习和量子机器学习被逐渐引入分子研究领域，以期获得更快的速度和更高的精度。本文提出了一种分子表征学习模型，可在现有超导量子硬件上运行，通过对分子三维空间信息进行量子编码和特定纠缠线路获取量子状态下的分子表征。这个分子表征能够被进一步利用来预测分子特性，并辅助自回归流模型生成三维分子构型。模型在计算化学公开数据集QM9的能量指标（包括HOMO，LUMO和HOMO-LUMO Gap）上预测精度达到化学精度，并且仅使用384个量子参数和1040个经典参数，就达到了最优方法（1,898,566个参数）同一量级的预测精度。同时，在模拟器上的运行结果显示，由于训练参数的大幅度减少，该模型具有更高的效率。综上所述，本文提出的分子表征学习模型探索了量子机器学习方法在现有超导量子计算机上运行的可能性，并且从一定程度上体现量子计算的优越性。

算法流程图

团队负责人介绍

严骏驰，上海交通大学电子信息与电气工程学院计算机科学与工程系副教授。科技部2030新一代人工智能青年项目负责人（组合优化机器学习求解）、教育部AI资源建设首席专家（深度学习）。曾任IBM中国研究院首席研究员。研究方向为机器学习，及在运筹优化、量子计算等领域的交叉。发表CCF-A类第一/通讯作者论文百篇，谷歌学术引用超万次。任ICML、NeurIPS、CVPR等领域主席、Pattern Recognition期刊编委。中国计算机学会优博/杰出会员。

严骏驰团队在量子人工智能方面积极从事相关探索，2022年10月，其提议的量子计算与类脑计算方面的问题“计算领域的重大创新将从何而来，量子计算的计算能力是否会接近人脑的计算能力”入选“之江实验室与Science《科学》联合发布智能计算领域十大科学问题”。

https://www.science.org/content/resource/ten-fundamental-scientific-questions-intelligent-computing

会议介绍

ICML（International Conference on Machine Learning）是机器学习的国际顶级学术会议。每年，世界各地的学术机构和企业都会相聚在这个会议上，讨论分享最新的学术进展。因此，它可被视为推动机器学习发展的重要会议。它是CCF（中国计算机学会）推荐的人工智能A类会议，是CORE Conference Ranking（澳大利亚CORE执行委员会管理，国际上广泛认可的会议评估机构）推荐的A级会议。会议今年共收到投稿6538篇，录取投稿1827篇，ICML 2023接受率为27.9%，被录用的稿件反映了国际人工智能领域前沿水平，ICML 2023将于2023年7月23日至29日在美国夏威夷举行。