在人工智能技术蓬勃发展的今天，深度神经网络模型的复杂度呈指数级增长，如何突破传统计算架构的瓶颈，实现更高效的 AI 模型训练成为学界和产业界共同关注的焦点。量子计算作为下一代颠覆性技术，其独特的并行计算能力为解决复杂优化问题提供了全新路径。

【本次直播已结束】回放链接：https://www.bilibili.com/video/BV1tcXzYcEri/?spm_id_from=333.1387.homepage.video_card.click

本期玻色量子直播特别邀请到中山大学肖艳副教授，她将聚焦量子计算与 AI 的交叉领域，深度解析相干伊辛机（CIM）在 AI 模型加速中的创新应用。

本期内容将从三方面展开：首先构建 CIM 训练框架的理论基础，解析支持向量机与玻尔兹曼分布的量子映射；其次探讨基于 Lipschitz 常数的鲁棒性优化方法，揭示 QUBO 问题的量子求解优势；最后通过全连接神经网络的实际案例，展示 CIM 在均衡传播算法中的具体应用。

 

在人工智能技术蓬勃发展的今天，深度神经网络模型的复杂度呈指数级增长，如何突破传统计算架构的瓶颈，实现更高效的 AI 模型训练成为学界和产业界共同关注的焦点。量子计算作为下一代颠覆性技术，其独特的并行计算能力为解决复杂优化问题提供了全新路径。

【本次直播已结束】回放链接：https://www.bilibili.com/video/BV1tcXzYcEri/?spm_id_from=333.1387.homepage.video_card.click

本期玻色量子直播特别邀请到中山大学肖艳副教授，她将聚焦量子计算与 AI 的交叉领域，深度解析相干伊辛机（CIM）在 AI 模型加速中的创新应用。

本期内容将从三方面展开：首先构建 CIM 训练框架的理论基础，解析支持向量机与玻尔兹曼分布的量子映射；其次探讨基于 Lipschitz 常数的鲁棒性优化方法，揭示 QUBO 问题的量子求解优势；最后通过全连接神经网络的实际案例，展示 CIM 在均衡传播算法中的具体应用。