前言

当量子计算邂逅自适应光学，会碰撞出怎样的科技火花？今天，我们有幸邀请到第十九届“挑战杯”中国移动全国大学生课外学术科技作品竞赛的特等奖队伍 —— 来自苏州大学的量子创新团队，他们将带我们走进光斑图波前重构的研究世界，分享用 QUBO 模型破解光学难题的精彩历程！

采访团队简介

该团队由苏州大学与瑞典隆德大学学子联合组建，核心成员涵盖光电科学、人工智能等多个专业领域。

队长王梓宇为苏州大学光电科学与工程学院研二学生，研究方向聚焦量子计算与人工智能；队员李浩平、骆蕊均为苏州大学大四在读生，分别深耕自适应光学与大数据领域；顾晨洋则为瑞典隆德大学研二学生，专注时间分辨光谱学研究。

苏州大学光电科学与工程学院延英、张永峰教授为团队提供核心指导：延英副教授、硕士生导师毕业于瑞典隆德大学，长期深耕量子计算、量子通讯及微纳光子学领域，主持多项国家级、省部级及国际合作项目，发表 SCI 论文 20 余篇，在量子比特高保真度操控等方向成果显著；张永峰青年特聘教授、硕士生导师聚焦主动/自适应光学、高精度波前传感与相位复原等领域，主持国家自然科学基金青年项目、四川省自然科学基金青年项目等多项国家级/省部级项目，兼具深厚的理论功底与工程实践经验。

团队合照

获奖作品简介

获奖作品名称

团队提出了一种融合深度学习与QUBO模型的波前重构方法，通过对输入光斑图进行降维压缩，建立QUBO模型对数据实现重要性筛选，最终经过神经网络完成波前重构，成功修复中等大气湍流和噪声所造成的坏点，实现了对小型光斑图的修复，在保证精度的同时显著降低计算量，拓展了量子计算在光学领域的应用边界，为同类光学问题提供了创新思路。

获奖作品研究方法

获奖作品结果分析

精彩问题节选

Q：您为什么会选择自适应光学这个场景来解题？

A：总体来讲，赛道二的赛题对选手的要求是比较宽松的，我们选择自适应光学这个领域一方面是因为这是我们所熟悉的专业领域内容，另一方面是我和项目的其他成员在QUBO建模上有了一定的经验。

在去年十二月份，我们队伍参加了“五岳杯”的比赛，那次的赛题一是要求是对德国信用数据集使用QUBO模型进行筛选和预测，是一个较为简单的二分类问题。后续的第二道赛题中，我们又使用QUBO和支持向量机对MINST灰度图进行了筛选和预测。将问题由二分类拓展到十分类。

因此，基于以上的项目经验，我们这次挑战杯比赛选择了一个更加具体的图像还原的问题来尝试用QUBO解决痛点，将其更进一步推广应用到非线性回归问题上。

Q：您的解决方案中有哪些独特的算法创新或改进点?

A：1.在32*32的光斑图输入前提下，相比与CNN方案，本方案训练损失降低16%，预测更准确。

2.本方案将512维筛选至30维，显著降低运算量，使光斑图波前重构可达到亚毫秒级。

3.本方案可根据实际情景不同需求调节参数，实现针对性筛选。

Q：您的队伍是如何组建的?包括队友的选取和指导老师的联系等等，有没有什么好的建议？

A：我们的队伍的核心成员是之前一起参加过五岳杯的本科生，有过合作基础。后续由于比赛涉及到人工智能方面的知识，我们又邀请了一位大数据专业的本科生来协助构建模型并提供更专业的建议。最后我们邀请了我本科时期的同学来进行数据处理和图像绘制的工作。两位指导老师分别是我和核心本科生的导师，一位指导量子方面的知识，另一位指导自适应光学的知识。

建议的话，我觉得一支队伍的组建很重要的一点就是春兰秋菊，各司其职，要带着问题去找队友，项目主持人所缺乏的专业知识和其他素养就必须依靠队友来补足短板。但同时，也不能完全每个人只专精一点，彼此之间要有所交叉才能有讨论和质疑的空间，从而推动项目的进步和成长。

Q：您报名参赛后是如何为比赛做准备的？整个比赛过程中团队的时间与分工是怎么安排的?

A：当时印象很深的一个点是玻色量子公司提供的kaiwu环境包做了一次更新，所以我在比赛开始前主要是熟悉了一下新的kaiwu环境包，然后阅读指导老师筛选出来的自适应光学相关文献，寻找合适的着力点将QUBO的过程嵌入，实现波前重构的优化。

在比赛过程中，我主要负责QUBO和后续神经网络处理的部分，以及论文的撰写和修改。李浩平同学负责自适应光学的数据采集，骆蕊同学会给我们机器学习部分建议，并由她最终汇报展示。顾晨洋同学则在数据出来后负责图表的整合与美化工作。

Q：在比赛结束后，您是否有继续研究和完善你们的解决方案?

A：在自适应光学领域，实时性和准确性是最重要的两个指标。如果使用小型的飞行器进行天文观测，由于其容纳的数据处理元件有限，可能要在实时性和准确性中做出抉择。在这里引入QUBO模型来平衡两个指标就是个很好的方案，让小型飞行器在有限算力的前提下对光斑图进行较为准确的波前重构。

因此，我们会继续在这个方向上研究下去，如果计算平台的算力限制能进一步打破，我们可以调整整体模型结构，在实时性上进一步突破，用于极端环境的天文成像。目前我们的优化方向是QUBO的建模过程，我们希望它在筛选过程中，不是单纯数据化抽象化的筛选，而是能兼顾其本身关联的物理意义。

Q：您平时会通过哪些渠道学习量子计算、数学建模、量子应用相关的知识？

A：主要是相关专业书籍和论文。推荐中科大的《量子机器学习》和清华大学出版社的《量子机器学习——基于Python的理论和实践》，这两本书对量子计算和机器学习的交叉领域的入门很有帮助。

团队参赛现场照片

结语

从理论创新到实践落地，苏州大学团队用量子计算为光学成像难题提供了全新解法。如果你也怀揣科技梦想，渴望在量子计算领域探索未知，欢迎报名参与相关赛事，用创新思维解锁更多可能！或许下一个站在领奖台上的，就是你！

前言

当量子计算邂逅自适应光学，会碰撞出怎样的科技火花？今天，我们有幸邀请到第十九届“挑战杯”中国移动全国大学生课外学术科技作品竞赛的特等奖队伍 —— 来自苏州大学的量子创新团队，他们将带我们走进光斑图波前重构的研究世界，分享用 QUBO 模型破解光学难题的精彩历程！

采访团队简介

该团队由苏州大学与瑞典隆德大学学子联合组建，核心成员涵盖光电科学、人工智能等多个专业领域。

队长王梓宇为苏州大学光电科学与工程学院研二学生，研究方向聚焦量子计算与人工智能；队员李浩平、骆蕊均为苏州大学大四在读生，分别深耕自适应光学与大数据领域；顾晨洋则为瑞典隆德大学研二学生，专注时间分辨光谱学研究。

苏州大学光电科学与工程学院延英、张永峰教授为团队提供核心指导：延英副教授、硕士生导师毕业于瑞典隆德大学，长期深耕量子计算、量子通讯及微纳光子学领域，主持多项国家级、省部级及国际合作项目，发表 SCI 论文 20 余篇，在量子比特高保真度操控等方向成果显著；张永峰青年特聘教授、硕士生导师聚焦主动/自适应光学、高精度波前传感与相位复原等领域，主持国家自然科学基金青年项目、四川省自然科学基金青年项目等多项国家级/省部级项目，兼具深厚的理论功底与工程实践经验。

团队合照

获奖作品简介

获奖作品名称

团队提出了一种融合深度学习与QUBO模型的波前重构方法，通过对输入光斑图进行降维压缩，建立QUBO模型对数据实现重要性筛选，最终经过神经网络完成波前重构，成功修复中等大气湍流和噪声所造成的坏点，实现了对小型光斑图的修复，在保证精度的同时显著降低计算量，拓展了量子计算在光学领域的应用边界，为同类光学问题提供了创新思路。

获奖作品研究方法

获奖作品结果分析

精彩问题节选

Q：您为什么会选择自适应光学这个场景来解题？

A：总体来讲，赛道二的赛题对选手的要求是比较宽松的，我们选择自适应光学这个领域一方面是因为这是我们所熟悉的专业领域内容，另一方面是我和项目的其他成员在QUBO建模上有了一定的经验。

在去年十二月份，我们队伍参加了“五岳杯”的比赛，那次的赛题一是要求是对德国信用数据集使用QUBO模型进行筛选和预测，是一个较为简单的二分类问题。后续的第二道赛题中，我们又使用QUBO和支持向量机对MINST灰度图进行了筛选和预测。将问题由二分类拓展到十分类。

因此，基于以上的项目经验，我们这次挑战杯比赛选择了一个更加具体的图像还原的问题来尝试用QUBO解决痛点，将其更进一步推广应用到非线性回归问题上。

Q：您的解决方案中有哪些独特的算法创新或改进点?

A：1.在32*32的光斑图输入前提下，相比与CNN方案，本方案训练损失降低16%，预测更准确。

2.本方案将512维筛选至30维，显著降低运算量，使光斑图波前重构可达到亚毫秒级。

3.本方案可根据实际情景不同需求调节参数，实现针对性筛选。

Q：您的队伍是如何组建的?包括队友的选取和指导老师的联系等等，有没有什么好的建议？

A：我们的队伍的核心成员是之前一起参加过五岳杯的本科生，有过合作基础。后续由于比赛涉及到人工智能方面的知识，我们又邀请了一位大数据专业的本科生来协助构建模型并提供更专业的建议。最后我们邀请了我本科时期的同学来进行数据处理和图像绘制的工作。两位指导老师分别是我和核心本科生的导师，一位指导量子方面的知识，另一位指导自适应光学的知识。

建议的话，我觉得一支队伍的组建很重要的一点就是春兰秋菊，各司其职，要带着问题去找队友，项目主持人所缺乏的专业知识和其他素养就必须依靠队友来补足短板。但同时，也不能完全每个人只专精一点，彼此之间要有所交叉才能有讨论和质疑的空间，从而推动项目的进步和成长。

Q：您报名参赛后是如何为比赛做准备的？整个比赛过程中团队的时间与分工是怎么安排的?

A：当时印象很深的一个点是玻色量子公司提供的kaiwu环境包做了一次更新，所以我在比赛开始前主要是熟悉了一下新的kaiwu环境包，然后阅读指导老师筛选出来的自适应光学相关文献，寻找合适的着力点将QUBO的过程嵌入，实现波前重构的优化。

在比赛过程中，我主要负责QUBO和后续神经网络处理的部分，以及论文的撰写和修改。李浩平同学负责自适应光学的数据采集，骆蕊同学会给我们机器学习部分建议，并由她最终汇报展示。顾晨洋同学则在数据出来后负责图表的整合与美化工作。

Q：在比赛结束后，您是否有继续研究和完善你们的解决方案?

A：在自适应光学领域，实时性和准确性是最重要的两个指标。如果使用小型的飞行器进行天文观测，由于其容纳的数据处理元件有限，可能要在实时性和准确性中做出抉择。在这里引入QUBO模型来平衡两个指标就是个很好的方案，让小型飞行器在有限算力的前提下对光斑图进行较为准确的波前重构。

因此，我们会继续在这个方向上研究下去，如果计算平台的算力限制能进一步打破，我们可以调整整体模型结构，在实时性上进一步突破，用于极端环境的天文成像。目前我们的优化方向是QUBO的建模过程，我们希望它在筛选过程中，不是单纯数据化抽象化的筛选，而是能兼顾其本身关联的物理意义。

Q：您平时会通过哪些渠道学习量子计算、数学建模、量子应用相关的知识？

A：主要是相关专业书籍和论文。推荐中科大的《量子机器学习》和清华大学出版社的《量子机器学习——基于Python的理论和实践》，这两本书对量子计算和机器学习的交叉领域的入门很有帮助。

团队参赛现场照片

结语

从理论创新到实践落地，苏州大学团队用量子计算为光学成像难题提供了全新解法。如果你也怀揣科技梦想，渴望在量子计算领域探索未知，欢迎报名参与相关赛事，用创新思维解锁更多可能！或许下一个站在领奖台上的，就是你！