近日，由中国计算机学会（CCF）主办的第二届CCF“司南杯”量子计算编程挑战赛专业组相关赛事落下帷幕。由电院计算机系严骏驰教授指导，课题组成员组成的四支队伍参加了三个赛道的竞争，在全球近150所院校和50家企业的415支参赛队伍中脱颖而出，获得两项一等奖（占一等奖总数四分之一），一项二等奖，一项三等奖。团队负责人严骏驰教授获得大赛优秀指导教师奖。合肥市委副书记，市长罗云峰；中国科学院院士、中国科学技术大学副校长杨金龙；中国科学院院士、中国科学技术大学教授郭光灿等领导嘉宾参加颁奖典礼并为获奖选手颁奖。
详见CCF官方链接：
https://mp.weixin.qq.com/s/qWCet4l1fQfPH2K3lyLMEQ
获奖队伍介绍
队名：Fintum
成员：
吴文杰（硕士生），陆徐东（本科生）
奖项：一等奖
赛道：金融赛道
获奖项目：
基于Q-LSTM的股票风险预测模型
股票市场可以给个人带来经济收益，广泛动员、积聚和集中社会的闲散资金，为国家经济建设发展服务，扩大生产建设规模，推动经济的发展。但是股票市场是一个极其复杂的环境，受到各种因素的影响，如政策、经济、社会等因素。本题中本组同学利用 Q-LSTM 和夏普指数分析对股票基金风险进行预测，最终计算得出基金一的风险最小。本组介绍了 LSTM 和 Q-LSTM 的实现原理，阐述了数据集处理方式， 设计了Q-LSTM 的变分量子线路结构，以及根据夏普指数计算了各个基金的风险指数。本组对比了 LSTM 和 Q-LSTM 两个算法，发现Q-LSTM收敛速度更快，训练过程更平稳，且使用的参数量仅为LSTM的一半，展示了量子算法的优越性。
算法介绍与实验结果。(a) 算法的整体流程 (b) LSTM与Q-LSTM对比 (c) 使用的变分量子线路结构 (d) 损失函数曲线对照。
队名：QA
成员：
肖太龙（博士生），唐叶辉（博士生），叶欣雨（博士生）
奖项：一等奖
赛道：生化赛道
获奖项目：
基于变分量子算法的分子基态能量求解
求解分子基态能量是量子化学的重要课题，但在高性能计算机上进行量子化学模拟的开销与分子的规模呈现指数级关系，严重限制了基态求解。量子计算被认为是克服量子化学模拟指数墙的很有前途的方法。在此次题目中，我们基于自适应变分量子算法的框架来求解苯环氢分子的基态能量。自适应变分量子算法在严格的数理保障下，可以有效自适应构造变分量子线路，并且在最近几年该方案得到了许多改进和加强。相比于固定结构的UCCSD拟设，该方案的所需要的优化参数、线路深度和 CNOT 门使用数量得到了极大的减少。我们通过实验证明了QEB-ADAPT-VQE算法相比其他自适应算法的优越性，证明其能够取得速度和精度的均衡，并且在此算法的基础上我们设计了合并基础门的量子线路优化规则，使得最终我们的线路使用678层达到了1.353mHa的精度，在16核的CPU机器上从头优化线路参数仅需531s。
队名：Thinklab-0
成员：严格（博士生），王奕权（本科生）
奖项：二等奖
赛道：生化赛道
获奖项目：
A differentiable quantum architecture search algorithm for ground-state energy estimation
对六个氢原子构成的环状结构求解分子基态能的问题，我们使用可微分的量子结构搜索算法，设计相应的量子线路，并且确保在达到化学精度的前提下线路深度尽可能浅。不同于传统VQE与adaptVQE算法，通过对Fermion Operator进行最优化选择与排列从而降低线路复杂度，我们提出的算法能够以旋转门与CNOT门构成的基础通用量子门组进行搜索，理论上可以输出很浅的线路。同时，考虑到题目需要在线搜索，且仅有一小时的CPU运行时间等约束，我们在时间范围内提出了两个版本的算法。版本一中我们使用含参数旋转门与CNOT作为候选集合，最终在一个小时的搜索时间内，使用95层达到5.2675mHa的精度；版本二中我们使用Fermion Operator作为候选集合，在69分钟时可以达到化学精度，但是使用了955层。我们希望提出的算法能够开拓在基态能搜索问题上adaptVQE的垄断地位，在NISQ时代能够提供真正真机可运行的量子线路。
(a)算法流程及主框架 (b)提出的两个版本的搜索结果及对应的设置 (c)版本一中的能量下降曲线
队名：凉凉量量子
成员：
莫英培（本科生）
奖项：三等奖
赛道：通用赛道
获奖项目：
一种可微分的量子结构搜索算法
针对指定态以及任意酉阵分解问题，我们提出了一种可微分的量子线路结构搜索算法，通过梯度来寻找符合损失函数的线路结构以及对应的内部旋转门的参数。对比其他量子架构搜索算法，我们提出的算法通过引入gumbel-softmax机制使得我们对于所有参数都可以做到端到端的更新，在前向计算时可以通过argmax采样得到一个符合酉阵性质的线路，在后向梯度回传时使用softmax确保梯度的正常传递。对比其他线路架构搜索算法我们的模型没有添加任何的先验知识，完全符合题目中的自动化生成线路的要求。我们在通用赛道上的前三个问题中均达到精度分满分（Frobenius范数低于1e-3），在第四个问题任意酉阵分解问题上，我们在本地生成的随机25个酉阵上进行了搜索测试，我们得到的平均Frobenius范数为1.71e-3，平均使用的CNOT门个数为35.56，由于我们在搜索过程中考虑到题目给定的时间因素对结果进行了提前截断，我们认为如果在时间充裕的情况下我们的模型是能够达到1e-3的精度要求的。不仅如此我们的模型是可以直接基于物理比特的拓扑结构搜索，我们只要获得相应的逻辑比特到物理比特的映射我们就可以限制每一个比特上能够使用的双比特门，确保搜索到的线路可以直接运行，避免增加大量的swap门导致线路深度激增。
(a)算法流程及主框架 (b)通过搜索得到的4bitGHZ态的制备线路 (c)通过搜索得到的W态的制备线路
关于ReThinkLab实验室量子AI课题组
上海交通大学电院计算机系ReThinkLab实验室的量子AI课题组成立于2020年。在严骏驰教授的指导下，主要从事量子计算与量子机器学习的相关工作，在量子图机器学习算法以及量子结构搜索等问题上发表多篇AI顶会论文。并先后与百度、国盾量子开展了教育部协同育人计划；且顺利完成了工商银行的量子图计算相关前沿探索项目；与中国移动、中国银联亦正开展相关合作。
量子计算与量子机器学习课题组团队主要成员：
博士研究生：
严格，唐叶辉，叶欣雨，熊昊
硕士研究生：
吴文杰
本科生：
潘开森，莫英培，王奕权，陆徐东（已前往香港中文大学读博）
ReThinkLab实验室量子AI课题组发表的相关论文：
[1] Y. Tang, Junchi Yan, G. Hu, B. Zhang, J. Zhou, Recent progress and perspectives on quantum computing for finance. Service Oriented Computing and Applications, 16, 227–229, 2022.
[2] X. Ye, G. Yan, Junchi Yan VQNE: Variational Quantum Network Embedding with Application to Network Alignment. Knowledge Discovery and Data Mining Conference (SIGKDD), 2023.
[3] G. Yan, Y. Tang, Junchi Yan Towards a Native Quantum Paradigm for Graph Representation Learning: a Sampling-based Recurrent Embedding Approach. Knowledge Discovery and Data Mining Conference (SIGKDD), 2022.
[4] X. Ye, G. Yan, Junchi Yan Towards Quantum Machine Learning for Constrained Combinatorial Optimization: a Quantum QAP Solver. International Conference on Machine Learning (ICML), 2023.
[5] Y. Tang, Junchi Yan GraphQNTK: the Quantum Neural Tangent Kernel for Graph Data. Neural Information Processing Systems (NeurIPS), 2022.
[6] G. Yan, H. Wu, Junchi YanQuantum 3D Graph Learning with Applications to Molecule Embedding. International Conference on Machine Learning (ICML), 2023.
[7] W. Wu, G. Yan, X. Lu, K. Pan, Junchi YanQuantumDARTS: Differentiable Quantum Architecture Search for Variational Quantum Algorithms. International Conference on Machine Learning (ICML), 2023.
[8] X. Lu, K. Pan, G. Yan, J. Shan, W. Wu, Junchi YanQAS-Bench: Rethinking Quantum Architecture Search and A Benchmark. International Conference on Machine Learning (ICML), 2023.
供稿：ReThinkLab