上海期智研究院PI，清华大学交叉信息研究院特别研究员，博士生导师。
国家重大人才计划入选者，2007年获南开大学物理、数学双学士学位，2015年博士毕业于美国密西根大学，博士论文获“Kent M. Terwilliger Memorial Thesis Prize”奖。2015-2018年在马里兰大学联合量子研究所从事博士后研究，2018年回国入职清华大学。主要研究方向为量子人工智能与金刚石色心量子计算，已在Nature,Nature/Science子刊，PRL/PRX等期刊上发表论文90余篇。
量子人工智能：量子深度神经网络，量子优势，量子对抗学习
成果3：深度量子神经网络
近年来，经典深度神经网络取得了迅猛的发展，并在解决一些具有挑战性的问题上发挥了关键作用。同时，量子机器学习也取得了显著进展。然而，在当前带噪声的中等规模量子器件上，使用反向传播算法进行深度量子神经网络的训练尚未实现。邓东灵团队与清华大学孙麓岩团队合作，在超导系统中成功演示了一种新型深度量子神经网络模型的训练过程。在这个项目中，我们设计了一种新型的深度量子神经网络结构。在该模型中，量子比特被分层排布，从而形成深度量子神经网络的多层结构；作用在相邻层量子比特上的参数化量子线路构成层间感知器。针对于这种类结构的深度量子神经网络，我们提出了一种可以在数字量子器件中实施的反向传播训练算法。在正向运行网络的过程中，量子信息会通过量子感知器，由输入层，经过多个隐藏层，最终逐层传递到输出层。在反向运行网络时，量子信息会逐层由输出层传递到输入层。当训练相邻层间的量子门参数时，我们需要分别正向和反向运行深度量子神经网络，并提取这相邻两层的局部量子信息，以计算层间各参数的梯度。实验设计了深度为三层，每层宽度为两比特的六比特超导量子芯片，用于学习两比特量子通道。结果表明，在较短的迭代次数内，训练过程可以有效收敛，且平均保真度最高达到96%，展示了深度量子神经网络的可训练性与泛化能力。该成果论文《Deep quantum neural networks on a superconducting processor》已经发表在发表在期刊Nature Communications上。
研究领域：量子人工智能
研究论文：Xiaoxuan Pan*, Zhide Lu*, Weiting Wang, ZiyueHua, Yifang Xu, Weikang Li, Weizhou Cai, Xuegang Li, Haiyan Wang, Yi-Pu Song, Chang-Ling Zou, Dong-Ling Deng, Luyan Sun. “Deep quantum neural networks on a superconducting processor”. Nature Communications 14, 4006 (2023). 查看PDF
-------------------------------------------------------------------------------------------------------------------------------
成果2：首次实现量子对抗机器学习
随着深度学习的发展，深度学习模型在人脸识别、自动驾驶、医疗诊断等领域得到了广泛的应用。然而，人们发现深度学习模型同样也存在着被对抗样本攻击的威胁。“比如，在一辆自动驾驶汽车上，如果前方的一个停车告示牌被贴上一层精心设计的对抗扰动薄膜，被汽车的识别程序判断为常速行驶，便可能引发安全事故。”研究人员表示，如果这类攻击没有得到解决而且被恶意利用，可能导致严重的安全隐患。
近年来，量子对抗机器学习的概念被提出并受到了广泛关注。然而，在当前中等规模带噪声量子设备上演示量子学习模型面对对抗攻击的脆弱性和防御手段还面临诸多挑战。邓东灵研究组与浙江大学物理学院王浩华、宋超研究组等合作，用10个可编程超导量子比特阵列进行量子对抗学习的首次实验演示。团队采用了核磁共振等图像作为训练数据。经过训练，这些分类器可以在这些数据集上实现当前量子分类器所能达到的最先进的性能。进一步的实验证明，通过对抗训练，量子分类器抵抗干扰的能力将增强，对相同攻击策略产生的对抗扰动实现免疫。这些结果不仅揭示了量子学习系统在对抗场景中的脆弱性，而且证明了防御策略在实践中应对对抗攻击的有效性，从而为实现可信赖的量子人工智能做出了重要的实验尝试。
团队成果“通过可编程超导量子比特实现量子对抗学习的实验演示”以封面论文形式发表在《自然·计算科学》。佛罗伦萨大学Leonardo Banchi教授在该期刊撰写了专题评论文章，该成果也得到了《光明日报》等媒体的广泛报道。
-------------------------------------------------------------------------------------------------------------------------------
成果1：拓扑时间晶体的量子模拟
时间晶体的概念最早由诺贝尔物理学奖得主Frank Wilczek教授于2012年提出。人们日常熟悉的晶体，如钻石、石英等，构成它们的原子在空间上周期排列，破坏了连续的空间平移对称性。时间晶体就是把“晶体”的特征拓展到时间维度，即系统的某些特性在时间上呈周期性重复，破坏了时间的平移对称性。邓东灵团队将拓扑的概念与时间晶体结合起来，提出了拓扑时间晶体的理论模型，通过人工智能算法找到了数字化量子模拟拓扑时间晶体的优化方案。该研究组与浙江大学王震、王浩华团队合作，在超导系统中首次实验实现了拓扑时间晶体的全数字化量子模拟。该实验模拟了一条由26个超导量子比特组成的一维链，在约240层量子线路演化过程中观测到时间平移对称性只在链的两端被破坏的动力学现象。这是拓扑时间晶体不同于以往报道的常规时间晶体的核心特征。该实验在量子比特数目，三体相互作用、非平凡拓扑等多项指标方面达国际先进水平。
拓扑时间晶体是一种全新的非平衡物质相，丰富了时间晶体的种类，拓展了人们对于量子世界的认识。邓东灵团队的这一工作具有重要的基础理论意义和潜在的应用价值，该成果以“Digital quantum simulation of Floquet symmetry-protected topological phases”为题发表于2022年《Nature》杂志上。
图. 拓扑时间晶体示意图
Open position
Two to four research scientists, four to six postdoc positions are available in Prof. Lu-Ming Duan and Prof. Dong-Ling Deng’s group.
The successful applicants will be expected to perform theoretical studies in one of the following directions: 1) quantum machine learning/artificial intelligence; 2) quantum information, computation, and simulation; 3) topological phases of matter; 4) Non-equilibrium quantum systems, many-body localization.
Requirements
1、PhD degree in Physics/Computer Science/Mathematics；
2、Highly motivated；
3、Having research experience in quantum information and computation related areas
简历投递
pr@sqz.ac.cn，邮件名称以“姓名-研究领域-方向”命名。
1. Wenjie Jiang Zhide Lu and Dong-Ling Deng，Quantum Continual Learning Overcoming Catastrophic Forgetting，Chinese Physics Letters，2022
2. Weiyuan Gong, Dong-Ling Deng，Universal adversarial examples and perturbations for quantum classifiers，National Science Review，2022
3. Xu Zhang, Wenjie Jiang, Jinfeng Deng, Ke Wang, Jiachen Chen, Pengfei Zhang, Wenhui Ren, Hang Dong, Shibo Xu, Yu Gao, Feitong Jin, Xuhao Zhu, Qiujiang Guo, Hekang Li, Chao Song, Alexey V. Gorshkov, Thomas Iadecola, Fangli Liu, Zhe-Xuan Gong, Zhen Wang, Dong-Ling Deng & H. Wang，Digital quantum simulation of Floquet symmetry-protected topological phases，Nature，2022
4. Huili Zhang, Si Jiang, Xin Wang, Wengang Zhang, Xianzhi Huang, Xiaolong Ouyang, Yefei Yu, Yanqing Liu, Dong-Ling Deng & L.-M. Duan，Experimental demonstration of adversarial examples in learning topological phases，Nature Communications，2022
5. Wenhui Ren, Weikang Li, Shibo Xu, Ke Wang, Wenjie Jiang, Feitong Jin, Xuhao Zhu, Jiachen Chen, Zixuan Song, Pengfei Zhang, Hang Dong, Xu Zhang, Jinfeng Deng, Yu Gao, Chuanyu Zhang, Yaozu Wu, Bing Zhang, Qiujiang Guo, Hekang Li, Zhen Wang, Jacob Biamonte, Chao Song, Dong-Ling Deng & H. Wang，Experimental quantum adversarial learning with programmable superconducting qubits，Nature Computational Science，2022
6. Yefei Yu, Li-Wei Yu, Wengang Zhang, Huili Zhang, Xiaolong Ouyang, Yanqing Liu, Dong-Ling Deng & L.-M. Duan，Experimental unsupervised learning of non-Hermitian knotted phases with solid-state spins，npj Quantum Information，2022
7. Zidu Liu, Li-Wei Yu, L.-M. Duan, and Dong-Ling Deng，Presence and Absence of Barren Plateaus in Tensor-Network Based Machine Learning，Physical Review Letters，2022
8. Zidu Liu, L.-M. Duan, and Dong-Ling Deng，Solving quantum master equations with deep quantum neural networks，Physical Review Research，2022
9. Dong Yuan, Shun-Yao Zhang, Yu Wang, L.-M. Duan, and Dong-Ling Deng，Quantum information scrambling in quantum many-body scarred systems，Physical Review Research，2022
10. Haoyuan Cai, Qi Ye and Dong-Ling Deng，Sample complexity of learning parametric quantum circuits，Quantum Science and Technology，2022
11. Zidu Liu, Pei-Xin Shen, Weikang Li, L-M Duan, and Dong-Ling Deng，Quantum capsule networks，Quantum Science and Technology，2022
12. Weikang Li & Dong-Ling Deng，Recent advances for quantum classifiers，Science China Physics, Mechanics & Astronomy，2022
13. Weikang Li, Zhide Lu, Dong-Ling Deng，Quantum neural network classifiers: A tutorial，SciPost Physics Lecture Notes，2022
14. Dong-Ling Deng，Quantum enhanced convolutional neural networks for NISQ computers，Science China Physics, Mechanics & Astronomy，2021
15. Weikang Li, Sirui Lu & Dong-Ling Deng，Quantum federated learning through blind quantum computing，Science China Physics, Mechanics & Astronomy，2021
16. Wengang Zhang, Xiaolong Ouyang, Xianzhi Huang, Xin Wang, Huili Zhang, Yefei Yu, Xiuying Chang, Yanqing Liu, Dong-Ling Deng, and L.-M. Duan，Observation of non-Hermitian topology with non-unitary dynamics of solid-state spins，Physical Review Letters，2021
17. Dong Yuan, He-Ran Wang, Zhong Wang, Dong-Ling Deng，Solving the Liouvillian Gap with Artificial Neural Networks，Physical Review Letters，2021
18. Shun-Yao Zhang, Dong-Ling Deng，Anomalous quantum information scrambling for Z3 parafermion chains，Physical Review，2021
19. Zhide Lu, Pei-Xin Shen, and Dong-Ling Deng，Markovian Quantum Neuroevolution for Machine Learning，Physical Review，2021
20. Kaixuan Huang, Zheng-An Wang, Chao Song, Kai Xu, Hekang Li, Zhen Wang, Qiujiang Guo, Zixuan Song, Zhi-Bo Liu, Dongning Zheng, Dong-Ling Deng, H. Wang, Jian-Guo Tian & Heng Fan，Quantum generative adversarial networks with multiple superconducting qubits，npj Quantum Information，2021
21. Sirui Lu, Lu-Ming Duan, Dong-Ling Deng，Quantum adversarial machine learning，Physical Review Research，2020
22. Li-Wei Yu, Dong-Ling Deng，Unsupervised Learning of Non-Hermitian Topological Phases，Physical Review Letters，2020
23. Yuan-Hang Zhang, Pei-Lin Zheng, Yi Zhang, Dong-Ling Deng，Topological Quantum Compiling with Reinforcement Learning，Physical Review Letters，2020
