1.北京大学集成电路学院与北方工业大学集成电路学院签署学科共建协议；
2.北理工课题组在硅基石墨烯湿度传感器的研究中取得了重要进展；
3.上海交大吴亚东副教授发表关于量子机器学习的研究成果；
1.北京大学集成电路学院与北方工业大学集成电路学院签署学科共建协议；
为进一步凝聚共识、交流经验，贯彻落实北京大学“学科质量年”建设任务目标，10月24日上午，北京大学与市属高校新一轮学科共建协议签署仪式暨学科共建交流会在北京大学中关新园群英厅举行，会上北京大学集成电路学院与北方工业大学集成电路学院签署学科共建协议。北京市教委二级巡视员杨江林、市教委科学技术与研究生工作处副处长李勇、市教委科学技术与研究生工作处四级调研员侯东云、北京大学副校长朴世龙、北京大学集成电路学院党委书记王源、党委副书记张舒、院长助理兼办公室主任涂成、北方工业大学副校长李全明、研究生院常务副院长刘峰斌、发展规划与学科建设处副处长王玉全、北方工业大学集成电路学院院长闫江，及市属高校领导等80余人参加会议，会议由北京大学学科建设办公室副主任贺飞主持。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
会上，北京大学集成电路学院与北方工业大学集成电路学院正式签约结为紧密合作的伙伴关系。展望未来，两院将携手共进，在集成电路及其相关科技前沿领域，以服务国家重大战略需求为核心目标，同时紧密结合首都北京经济社会发展脉动与人才队伍建设要求，深度整合并充分发挥双方在师资力量、科研攻关及教学资源等方面的独特优势，取长补短、互学互鉴，进一步优化高素质人才梯队建设、加速深耕高质量教育体系建设、奋力推动高水平科技创新发展，共同谱写集成电路新篇章。
2.北理工课题组在硅基石墨烯湿度传感器的研究中取得了重要进展；
近日，北京理工大学前沿交叉科学研究院范绪阁教授课题组（微纳机电传感器与石墨烯课题组）与中北大学省部共建动态测试技术国家重点实验室主任张文栋教授等研究人员合作，在硅基石墨烯湿度传感器的研究中取得了重要进展。相关研究成果以“Humidity Sensing Properties of Different Atomic Layers of Graphene on the SiO2/Si Substrate”为题发表在国际知名期刊《ACS Applied Materials & Interfaces》（IF：8.3）上。该论文第一作者为北京理工大学硕士研究生高强，通讯作者为北京理工大学范绪阁教授、中国人民解放军军事科学院国防科技创新研究院王晓晶助理研究员及中北大学张文栋教授。
课题组报道了硅基（SiO2/Si）不同原子层数的石墨烯的湿度传感器（图1），研究了不同原子层数（1-3个原子层）的石墨烯、不同敏感面积的石墨烯对制备的湿度传感器响应度、响应时间/恢复时间的影响。如图2 所示，发现所制备的石墨烯湿度传感器的相对电阻变化随着石墨烯原子层数的增加而降低；基于三个原子层的石墨烯的湿度传感器呈现出最快的响应时间与恢复时间；基于双原子层的石墨烯的湿度传感器呈现出最慢的响应与恢复时间。总体比较，基于双原子层的石墨烯的湿度传感器在响应度与稳定性方面呈现出相对较好的性能，因此，所制备的基于双层石墨烯的湿度传感器被应用于呼吸检测与无接触的手指检测（图3）。这些研究结果有利于深入理解硅基石墨烯湿度传感特性，将促进石墨烯在湿度传感器领域的应用。
图1 硅基不用原子层数的石墨烯湿度传感器的制备流程示意图及SEM图
图2 硅基不同原子层数的石墨烯湿度传感器特性比较
图3 所制备的石墨烯湿度传感器在呼吸检测与手指无接触检测方面的应用验证
3.上海交大吴亚东副教授发表关于量子机器学习的研究成果；
近日，上海交通大学电子信息与电气工程学院约翰·霍普克罗夫特计算机科学中心吴亚东副教授与香港大学Giulio Chiribella教授课题组合作，提出了一种基于多任务学习的神经网络算法，利用相邻量子比特的测量数据实现对量子态物理性质的准确预测。相关研究成果以“Learning quantum properties from short-range correlations using multi-task networks”（利用多任务神经网络从短程关联中学习量子性质）为题发表在国际顶级期刊Nature子刊《Nature Communications》（自然·通讯）。
吴亚东副教授和香港大学朱岩博士为论文的共同第一作者，上海交通大学为论文的第一完成单位。本研究由国家自然科学基金青年项目资助。
研究背景
多体量子系统的实验表征是量子信息与量子计算领域中的一项核心任务。神经网络为量子态的表征提供了强大的工具，能够紧凑地表示复杂结构的量子态。近年来，各类神经网络已被成功应用于预测量子系统的多种性质，例如量子保真度、量子纠缠、量子关联等，还能识别不同的物质相。
表征多体量子系统的一个主要挑战在于，随着系统规模的扩大，所需的测量设置数量呈指数增长。随机测量技术通过从单粒子观测量的乘积集合中随机抽样，减少了所需的测量设置，从而提供了一种高效的量子态性质预测方法。然而，对于具有局部相互作用的多体量子系统，由于量子态具有特定结构，可能只需从更少的测量中抽样即可。这样的抽样方法可以仅基于短程关联（即只涉及少数相邻粒子的关联）来表征量子态。基于短程关联的技术已经在量子态层析和纠缠检测中得到了应用。一个有前景的方向是利用神经网络，通过短程关联的采样数据，直接预测量子系统的全局量子性质。
创新成果
图1 多任务神经网络预测量子性质的流程图
多任务神经网络预测量子性质的流程图本研究引入了一种基于多任务学习技术的神经网络模型（参考图1），该模型可以仅使用少量相邻量子比特的测量数据，预测具有常量关联长度的多体量子态的多种量子性质。与传统的单任务学习相比，多任务学习的预测准度更高。通过数值模拟，我们发现对于短程关联量子态，多任务神经网络模型可以通过短程关联来预测全局性质（如序参量），并能够区分单任务网络无法区分的量子相。
图2 键交替XXZ模型基态的表示的二维投影，以及对多体拓扑不变量的预测
键交替XXZ模型基态的表示的二维投影，以及对多体拓扑不变量的预测本研究的神经网络模型的一个关键特性是其能够生成量子态的潜在空间表示，这种表示可以整合多种物理性质的不同信息。令人惊讶的是，这些量子态表示似乎还能捕捉到训练中未被标记的物理性质。这一特性使得模型能够对物相进行无监督的分类，不仅适用于分布内的哈密顿量基态，还可以泛化到分布外的量子态，例如由随机量子线路生成的量子态。模型还展示出从小规模量子系统泛化到大规模量子系统的能力，这使得它成为探索中等规模量子系统的有效工具。
图3 本研究神经网络算法得到的量子态表示（左图）与基于经典阴影的核主成分分析得到的量子态表示（右图）
此方法不需要对所有量子比特进行随机测量，而是仅采用探测短程关联的随机泡利测量，显著减少了实验中所需的测量设置数量。在可测的泡利集合受限的情况下，该研究的算法在区分量子物相上的表现优于之前的方法（参考图3）。
总结展望
推测多体系统的量子性质既重要也富有挑战，而此项工作开发了一个神经网络模型通过短程测量来推测多体系统的量子性质，此模型运用了针对量子问题的多任务学习方法。
近年来，吴亚东副教授与合作者建立了以数据驱动方式表征量子系统的框架，开发了多个神经网络模型，通过少量随机采样的量子测量数据预测量子系统的多种物理性质，包括预测待测量的输出分布，区分不同的量子物相，以及判断量子态之间的相似度。相关工作有两篇发表在综合性期刊Nature Communications，一篇发表在物理学顶刊Physical Review Letters，并被Nature Computional Science评选为研究亮点。
