讲座主题：
Quantum Machine Learning: What We are Looking for（量子机器学习：我们正在探索的）
主讲人姓名及介绍：
冉仕举，2010年本科毕业于北京师范大学物理学系；2015年博士毕业于中国科学院大学物理学院；2015至2018年于西班牙光子科学研究所从事博士后研究，并于2017年获Fundacio-Catalunya独立博士后研究员fellowship；2018年入职首都师范大学物理系；在多个国际著名学术期刊（PRB，PRL，PRX等）共发表学术论文二十余篇，著有张量网络专著一部（即将出版于Springer- Lecture Notes in Physics），多次参加国际学术会议并作邀请报告，担任Review of Modern Physics, IEEE journals等多个国际期刊审稿人。主要研究方向包括强关联系统的数值计算与量子模拟、量子信息与量子计算、量子机器学习模型与算法等。
报告摘要：
Quantum machine learning (QML) is an interdisciplinary field among machine learning, quantum information, and quantum computation. The main aim of QML is to develop machine learning models and algorithms based on quantum physics. In this talk, I will present our recent progresses achieved in the field QML. Our efforts have been focused on developing machine learning methods based on tensor network (TN), a powerful tool in quantum information and many-body physics. I will explain how to design the TN algorithms for machine learning in the quantum Hilbert space, how to connect quantum entanglement and fidelity to machine learning through TN, and how to implement machine learning tasks on the near-term quantum platforms.
量子机器学习（QML）是机器学习，量子信息和量子计算之间的跨学科领域。QML的主要目的是开发基于量子物理学的机器学习模型和算法。在本次演讲中，我将介绍我们在QML领域中取得的最新进展。我们一直致力于开发基于张量网络（TN）的机器学习方法，该方法是量子信息和多体物理学的强大工具。我将解释如何设计量子希尔伯特空间中用于机器学习的TN算法，如何通过TN将量子纠缠和保真度与机器学习联系起来，以及如何在近期量子平台上实现机器学习任务。
