深度学习经过十余年的发展，在许多应用场景都取得了突破性进展，如目标识别、机器翻译和围棋游戏等，然而随着应用问题复杂度的提高，深度学习模型越来越大，现有的计算硬件逐渐显现出了性能的不足。近些年，量子计算的发展突飞猛进，其并行计算的优势相对于当前基于硅芯片的计算硬件非常明显，因此通过量子计算来实现深度学习已初现端倪。
为了解决深度学习模型训练算力受限的问题，目前高性能GPU计算服务器被广泛使用，若干量子深度学习模型被构建出来，那么，随着量子计算技术的发展，量子深度学习会给AI领域带来何种变化成为了相关领域一个备受关注的焦点。此外，量子深度学习是否会很快实现技术落地、实现产业应用，也非常值得思考和研讨。
2022年12月8日举办的CNCC2022“量子深度学习的春天是否已来？”技术论坛，从学术、技术和产业的角度出发，深入探讨未来5到10年深度学习发展在算力方面的瓶颈问题、量子深度学习会给AI领域带来何种演变以及量子深度学习的技术落地是否依然久远等一些具有挑战性和思辨性的议题。
本次论坛由CCF主办，CCF YOCSEF青岛和CCF量子计算专业组共同承办，CCF YOCSEF青岛AC委员仲国强（中国海洋大学）与YOCSEF青岛准AC委员李增鹏（山东大学）担任执行主席，CCF YOCSEF青岛学术秘书宫文娟（中国石油大学（华东））与CCF YOCSEF青岛主席包永堂（山东科技大学）担任线上主席。CCF量子计算专业组副主任、本源量子张辉总经理，CCF量子计算专业组副主任、中山大学李绿周教授，百度量子计算研究所资深研究员王鑫，CCF YOCSEF天津副主席、天津大学计算机学院副院长张鹏教授，上海交通大学严骏驰副教授担任引导发言嘉宾。中国海洋大学王志敏副教授，中南大学计算机学院副院长石金晶副教授，电子科技大学未来信息联合研究院副院长李晓瑜副教授担任思辨嘉宾。来自全国多所高校及企事业单位的近100人通过CNCC官方网站参加了本次论坛，知乎直播人气达到了4万以上。
在论坛的引导发言阶段，本源量子张辉总经理以“量子计算+机器学习——面向未来的人工智能”为题，围绕量子计算和人工智能，以本源量子机器学习框架VQNet为例，带领大家了解了国内外量子计算发展，量子计算工程化、产业化现状，共同探索了基于量子机器学习的未来产业生态发展。
李绿周教授以“量子生成对抗网络”为题，分享了当前量子计算的现状以及量子算法的一些研究意义，解答了当前量子计算机相比经典计算机的优势和一些不足；总结了近几年量子机器学习算法的发展的一些趋势，并结合最新的量子生成网络的研究工作，讨论了后续研究量子计算以及量子深度学习的一些新的热点。同时李老师也对其团队所提出的经典-量子混合架构量子生成对抗网络模型(QGAN)的特性及优势做了简要介绍。
王鑫老师以“量桨——量子人工智能理论与实践”为题，介绍了百度量子人工智能平台——量桨，包括经典混合量子神经网络的实现，以及量桨建立的相应的生态，相信量桨可以对国内量子计算、量子深度学习起到很好的推动作用。除此之外，王鑫老师还对基于量桨的一些创新性工作，包括模拟函数能力、数据编码以及量子神经网络可训练性等方面进行了介绍。
张鹏教授以“量子理论与自然语言深度学习”为题，讲解量子力学、深度学习与自然语言理解三者之间的本质联系，从量子力学过渡到量子自然语言处理，从自然语言处理中的量子现象的实际应用场景出发，分享了量子多体表示、一词多义的量子多体语言模型以及基于量子纠缠的模型可解释性，包括基于量子干涉的多模态等量子自然语言处理的新的研究热点问题。
严骏驰副教授以“量子图机器学习初探”为题，围绕经典图机器学习与量子图机器学习，对现有工作展开梳理和回顾，凝练其内在联系和后续可能的突破点。随后，对正在进行中的图量子机器学习模型做了简要分享，覆盖图分类和节点分类等任务。最后介绍了团队近期的相关工作，包括量子递归图嵌入式学习、分解式量子图神经网络、面向大规模容错量子计算的图量子机器学习方法。
引导发言阶段结束后，论坛进入思辨环节。参会嘉宾与参会人员围绕三个议题展开了思辨研讨。
议题1：算力是否会成为未来5到10年深度学习发展的瓶颈？
针对议题1，思辨嘉宾王志敏副教授从硬件发展的瓶颈期、大规模的深度学习模型在经典计算机上难以训练以及天文学、海洋学、全球气候变化等领域带来的数据爆发式增长等方面论证了算力成为未来五到十年深度学习发展瓶颈的必然性，然后他从量子计算本身的一些特性可以带来单位时间内处理数据量的提升以及参数化量子电路这一新的学习模型产生的希尔伯特空间是经典计算难以模拟这两方面阐述了量子计算能够带来算力的指数提升。
其他嘉宾也各自发表了观点。包永堂认为算力不仅仅是未来五到十年，同时也是现在所面临的问题，当前深度学习的发展过多地依赖于算力的增长，从长远角度来看，深度学习算法的提升将受到算力的限制。CCF YOCSEF青岛的艾崧溥则认为随着深度学习模型的增长，算力问题也会随之解决，而不会成为阻碍深度学习发展的瓶颈。张鹏认为算力的限制能够推动研究者去探索更加轻量化的模型或者使用量子的方法来改善这一问题。
议题2：量子深度学习是否会给AI领域带来由量变到质变的演进？
在议题2的思辨阶段，石金晶副教授介绍了混合量子经典机器学习方法，后续介绍了参数化玻色子采样的量子电路学习以及量子电路的参数化哈密顿学习，最后石老师认为量子计算是人工智能领域的新鲜力量，机器学习获得量子加速或许可以彻底改变人工智能的研究范式。
李绿周认为量子深度学习是否会给AI领域带来由量变到质变的影响仍然是一个值得探索的问题，但就目前来看，量子深度学习相关的工作仍然在沿用传统深度学习的一些框架和思想，尽管已经提出了一些效果不错的量子深度学习方法，但还远远没有到达质变的时机，仍然需要大家耐心研究。张鹏同样认为当前阶段谈质变为时尚早，但他相信量子能够为人工智能领域注入强大力量，使得其产生质的飞跃是一件非常值得期待的事情。王志敏认为已经能够感受到量子数据处理方面的质变。CCF YOCSEF青岛李昕则更期待量子深度学习的早日实际落地。
议题3：量子深度学习的技术落地是否还是一件比较久远的事情？
在议题3的思辨阶段，李晓瑜副教授以“量子机器学习数据集解构与应用”为题做了简要报告，深度学习作为数据驱动的任务，需要大家共同努力构建统一标准的量子深度学习数据集。对于此思辨点，李老师认为量子深度学习的实际落地需要需求的驱动，希望产业界勇于迈出第一步，以实际应用推动量子深度学习的落地，也希望产业界和学术界能够密切交流，逐步缩小存在的鸿沟。同时，她也希望学术界能够在多方面进行探索，不只是关注量子计算如何帮助解决深度学习算力瓶颈的问题。
张鹏认为量子深度学习落地并不是一件久远的事情，尽管还没有到达通用量子计算机普及的阶段，但是经典计算机可以模拟量子算法，因此落地也不是遥不可及的事情。王志敏认为经过不断的迭代发展，实际落地总会到来。王鑫同样认为随着理论的发展，以及更多量子比特的量子计算机的出现及其对理论的验证，在这样一种交替发展中，量子深度学习的落地是一件指日可待的事情。
在思辨环节之后，包永堂作论坛总结，感谢各位量子深度学习领域专家学者的精彩发言和探讨，他认为，通过这次论坛，对于量子深度学习领域产学研合作有了更深入的认识，也更加明晰了量子深度学习的发展现状及未来方向。
