講者簡介：陳建鑫，清華大學計算機系長聘副教授，近期專注于量子計算機的系統設計與實現，量子糾錯與容錯等方向的研究。2005年與2010年分別獲得清華大學計算機學士與博士學位，隨后在加拿大滑鐵盧大學量子計算研究所與美國馬里蘭大學帕克分校的量子信息與計算機科學聯合中心從事博士后研究。在今年3月加入清華大學計算機系之前，在達摩院量子實驗室領導系統團隊與北美團隊的研發工作。在Nature Physics、Nature Computational Science、PRL、PRX Quantum、Communications in Mathematical Physics、IEEE Transactions on Information Theory、QIP、ASPLOS、DAC等橫跨數學、物理與計算機的頂刊與頂會上發表70余篇文章，其中多篇工作被選為PRL highlights。 

報告題目：從量子物理實驗到量子計算機

報告摘要：自肖爾算法揭示量子計算在因數分解等關鍵問題上具有指數級加速潛力以來，這一領域便持續吸引著學術界和產業界的高度關注。從上世紀90年代實驗室里操控幾個量子比特的基礎物理實驗，到今天已能精準操縱數百個量子比特進行初步計算嘗試，我們正如人類祖先剛剛掌握火種一般，正在學習駕馭量子比特操控這一革命性的新能力。在這個報告中，將從量子計算機系統研究的視角，與大家探討以下核心議題：1. 從實驗室演示到實用化量子計算機，我們還有多遠？2. 未來的量子計算系統將呈現怎樣的形態特征？3. 實現通用量子計算需要突破哪些關鍵技術瓶頸？

講者簡介：范桁，中科院物理研究所研究員，固態量子信息與計算實驗室主任，長期從事量子計算與量子信息理論與實驗研究，近年來集中于超導量子計算與模擬，取得10比特多體局域化，30比特陳絕緣體，41比特霍夫施塔特能譜，78比特預熱化等系列量子計算量子模擬成果，獲得周培源物理獎。發表文章360余篇，包括（S,NS子刊，PRX/L/PRX-Quant, Optica,npj-QI,Phys.Rep.）47篇。

報告題目：超導量子計算與量子模擬

報告摘要：超導量子比特系統具有長相干時間，操控精確，擴展性強，運行穩定等特點，是是實現量子計算和量子模擬的重要技術路線。報告將展示近年來課題組在量子糾纏態制備，量子模擬熱化局域化及拓撲物態等系列進展，并展示具有科學價值的量子優勢。

講者簡介：黃合良，河南省量子信息與量子密碼重點實驗室副教授。“祖沖之號量子計算優越性”理論工作負責人。以(共同)第一/通訊作發表論文30余篇，含PRL 7篇、Optica 2篇、IEEE TNNLS 1篇等，被引6000+，ESI高被引4篇；獲戈登貝爾獎、亞太區TR35等。

報告題目：量子計算的錯誤抑制

報告摘要：本次報告將重點介紹我們在祖沖之號上實現的量子計算優越性，以及在量子計算錯誤抑制技術上的進展。

講者簡介：孫曉明，CCF會士、量子計算專委會主任，中國科學院計算技術研究所研究員，量子計算與算法理論實驗室主任，國家杰出青年科學基金獲得者。主要研究領域為算法與計算復雜性、量子計算等，曾獲王選杰出青年學者獎等。目前擔任《中國科學:信息科學》《軟件學報》《Information and Computation》《FCS》等期刊編委。

報告題目：量子拜占庭共識協議

報告摘要：量子計算利用量子疊加、量子糾纏等特性來實現計算加速，在密碼破譯等領域已經展現出指數級加速的潛在優勢。當前超導量子處理器正將突破千比特量級集成，但單芯片擴展面臨物理、工程上的諸多挑戰，發展分布式量子計算勢在必行。本報告將簡要匯報我們近期在量子分布式計算中的拜占庭共識協議方面的一些研究進展。

講者簡介：盧麗強，浙江大學計算機學院研究員，博士生導師。本科與博士畢業于北京大學，研究方向為計算機體系結構、量子計算軟件與應用等。近五年以一作/通訊發表25篇體系結構領域、EDA領域CCF-A類論文，入選美國斯坦福大學與Elsevier發布的全球前2%頂尖科學家榜單，在ASPLOS 2024、HPCA 2025做tutorial報告（中國首次在體系結構四大會上組織量子計算相關tutorial）。主持國家重點研發計劃(青年)、國自然面上、浙江省杰青、浙江省科技廳尖兵項目、華為企業橫向等項目。曾獲得全球可持續發展青年（30u30）、華為火花獎、CCF體系結構優博、北京大學優博年等榮譽。

報告題目：分布式量子神經網絡訓練與推理

報告摘要：在當前的嘈雜中尺度量子（NISQ）時代，量子神經網絡（QNN）模型的性能受到有限的量子比特數量和不可避免的噪聲的限制。因此，提高 QNN 部署穩健性的一個自然想法是引入多個量子設備。然而，由于量子設備的異質性和不穩定性，例如噪聲、頻繁的在線/離線等因素，在分布式量子設備上進行訓練和推理甚至可能破壞模型準確性。本次報告將介紹一套 QNN 分布式部署框架——ArbiterQ，旨在面向異構量子處理單元（QPU）實現高效且高精度的訓練和推理。 ArbiterQ提出兩種統一的 QNN 電路的中間表示——模型向量和行為向量，支持異構QPU的個性化構建網絡模型，通過在具有相似行為向量的 QPU 之間共享梯度，ArbiterQ能夠有效地在利用分布式設備的并行能力的同時考慮設備異構性。推理方面，我們還提出了面向量子電路執行次數的推理調度優化策略，這種更細粒度的調度方式能夠提高推理精度并平衡工作負載。