報告1：淺層QAOA線路期望值的有效經典模擬計算（報告人：普亞南）
Efficient Classical Computation of Quantum Mean Values for Shallow QAOA Circuits
量子近似優化算法是一種變分量子算法，旨在給出組合優化問題的次優解。人們普遍認為，QAOA有潛力在電路深度較淺的噪聲中尺度量子（NISQ）處理器中展示應用級量子優勢。由于QAOA的核心是計算問題哈密頓量的期望值，因此一個重要的實際問題是，我們能否找到一種有效的經典算法來求解一般淺量子電路的量子平均值。在這里，我們提出了一種新的基于圖分解的經典算法，該算法在除完全圖情況外的大多數優化問題中與淺QOA電路的量子比特數成線性比例。與最先進的方法相比，在最大割、圖著色和Sherrington-Kirkpatrick模型問題中的數值測試表明性能提高了幾個數量級。這次報告首先介紹組合優化問題的QUBO建模，接著介紹VQE變分算法和QAOA算法的基本思路，在此基礎上介紹基于圖分解的改進思路，然后通過MAX-CUT舉例說明算法流程并展示實驗結果。最后，總結分析并介紹基于此工作完成的軟件Qcover，希望在算法和軟件的進一步改進方面與大家相互討論，一起探索。
普亞南，2020年碩士畢業于中國科學院計算所，畢業后進入量子院從事量子操作系統軟件的開發工作，完成了基于QAOA的組合優化問題求解器Qcover的開發與改進。目前的工作研究方向有：并行優化，量子電路模擬，量子算法等。
報告2：基于FPGA的卷積神經網絡加速（報告人：張敏行）
卷積神經網絡CNN作為深度學習DL最重要的算法之一,通過感受區域和參數共享降低了網絡參數并提高了模型擴展性。隨著CNN的不斷發展，其網絡深度和數據庫的不斷增大，神經網絡訓練的時間也越來越長，因此如何對網絡訓練進行加速成為了一個重要挑戰?，F場可編程門陣列FPGA作為一種可重復編程的硬件結構,不但可以實現低功耗的計算而且并行計算的特點剛好與卷積神經網絡相契合。使用FPGA對CNN中的各個環節進行加速已經成為一種應用較廣的加速方式。本次主要介紹一些適用于FPGA實現的卷積神經網絡加速方法。
報告3：系統框架及用戶層的內存技術分享（報告人：夏立斌）
在面對爆炸式的數據增長及高精度的計算需求時，諸多計算應用都對性能、容量、延遲、吞吐率、擴展性等指標提出了嚴苛的要求。內存作為連接傳統計算和存儲系統的媒介，需要盡可能得發揮出其速度優勢，并解決在高性能、分布式計算環境下遇到的種種問題。本報告將從內存分配器出發，自底向上介紹與Cache和內存相關的系統框架設計，以及上層應用的訪存優化方法。
您現在的位置：