唐豪 副研究员
研究领域: 量子光学,量子计算
办公地点: 理科楼5号楼432
电子邮箱: htang2015@sjtu.edu.cn
研究方向: 量子光学,量子算法的实验实现与应用探究

简历:

唐豪于2010年获得华中科技大学电子科学与技术系本科学位、金融学本科双学位。于2014年获得英国谢菲尔德大学光电半导体物理方向博士学位。并于伦敦商学院进修金融量化分析。于2015年6月加入上海交通大学物理与天文学院工作至今,先后为博士后、助理研究员,自2020年12月起为副研究员。

研究项目

主持国家自然科学基金青年项目、国家重点研发计划变革性项目子课题、上海市科委面上项目、横向项目等科研项目。

获得荣誉:

第一作者研究工作[Nature Photonics, 12, 754-758 (2018)]入选“2018年度中国光学十大进展”;入选2019年福布斯中国“30位30岁以下精英榜”、2021年“上海科技青年35人引领计划”、2022年上海市“科技启明星计划”。

 

研究方向:

(1) 基于集成光子芯片的专用量子计算及变分量子计算研究

基于光子集成芯片在大规模、维度提升、高精度等硬件能力上的突破,首次实验展示空间上的二维量子行走,在Science Advances中报道,为专用量子计算的实用化打开了新的局面。受到Nature Photonics的邀请发表新闻观点。同时,推动量子算法理论在量子硬件物理模型的映射。粘合树中的量子快速到达(quantum fast hitting)是一个代表性的量子加速算法。在三维光量子芯片中构建大规模六方粘合树结构,克服传统二叉树结构不可扩展的挑战,报道量子快速到达算法首次实验实现,展示相对于经典算法的平方级加速,在Nature Photonics中发表。目前,中心自主制备铌酸锂薄膜光芯片具有优秀的电光效应,对相位等参数>40GHz超快调控提供了丰富的片上可编程能力,结合飞秒激光直写精准备制备大规模三维光子芯片能力,可推进变分量子计算发展。但已在硬件中实现的量子算法只有少数,因为往往因地制宜地结合光量子芯片特点去设计硬件上的算法映射,才可能实验展示一定程度的量子优势,需要更加紧密的实验与理论的交互探索。

(2) 开放量子系统量子模拟的理论及实验研究

量子模拟的核心意义在于,通过量子系统模拟日常难以观测分析的另一个体系的特征,加深对基础科学的理解。发表一系列工作实现了量子行走模拟电子的动态局域现象、模拟牛顿摆探究能量传输机理,基于量子随机行走的开放量子系统模拟绿硫细胞光合作用能量传输、模拟神经网络的联想记忆功能等。量子模拟在当前的另一层意义在于,成为量子计算的重要功能模块。例如,从量子控制和开放量子系统理论得到启发,推导将量子随机行走用于实现量子信息处理中广泛用到的哈尔随机幺正矩阵,实验工作在PRL发表。通过量子模拟,启示更多量子算法的挖掘。

(3) 量子计算在人工智能、优化、化学及金融分析应用领域的理论探究与实验演示

量子算法与其他领域研究问题的内生关联,是早期探究量子计算应用可行性的关键突破口。例如,网页排序这一常见算法应用,其内核是粒子在网络中进行经典随机行走,到各节点的概率成为节点重要性依据。量子随机行走也可获得稳定的演化概率分布。基于Runge-Kutta数值方法和GPU并行计算实现最高效的量子随机行走模拟器,精准度高于经典排序,在Science Bulletin报道。基于量子幅值估计与经典蒙特卡罗算法求解分布期望的共性,将复杂金融衍生品CDO定价问题在量子线路中实现。应用问题种类繁杂,注重提炼其本质内核,从而探究与量子算法的对应。

此外,与英国帝国理工学院、牛津大学、新加坡国立大学等十余所国际名校学者建立广泛学术交流合作,全面深入地挖掘和开拓量子算法实验演示以及早期应用探究。

 

教学情况:

目前讲授课程包括:

(1) 本科生MS331+MS333《量子信息技术及实践》英文课程(课程介绍:https://v.sjtu.edu.cn/course/opencourseshare10613.html,入选校一流课程。并入选“交∙通全球课堂”面向环太平洋联盟大学(APRU)本科生开放,2022年秋季学期APRU学生选课链接:https://vse.apru.org/sjtu-s12223/)。

(2) 致远学院本科生《前沿探索实验课--高品质量子纠缠光源》

(3) 研究生《量子光学》课程

 

诚挚欢迎对量子信息技术感兴趣的本科大四同学加入本研究生项目,以及本科一至三年级同学参与相关PRP等本科生科研实践活动。

 

主要著作:

基于光子芯片的量子行走、量子快速到达等量子算法实现:

1. Tang, H., Lin, X. F., Feng, Z., Chen, J. Y., Gao, J., Sun, K., Wang, C. Y., Lai, P. C., Xu, X. Y., Wang, Y., Qiao, L. F., Yang, A. L., and Jin, X. M.# Experimental Two-dimensional Quantum Walk on a Photonic Chip. Science Advances 4, eaat3174 (2018).

2. Tang, H., Di Franco, C., Shi, Z. Y., He, T. S., Feng, Z., Gao, J., Sun, K., Li, Z. M., Jiao Z. Q., Wang, T. Y., Kim, M. S., and Jin, X. M.# Experimental quantum fast hitting on hexagonal graphs. Nature Photonics 12, 754-758 (2018).

3. Shi, Z. Y., Tang, H., Feng, Z., Wang, Y., Li, Z. M., Gao, J., Chang, Y. J., Wang, T. Y., Dou, J. P., Zhang, Z. Y., Jiao, Z. Q., Zhou, W. H., and Jin, X, M.# Quantum Fast Hitting on Glued Trees Mapped on a Photonic chip. Optica 7, 613-618 (2020).

 

开放量子系统、量子模拟的实验与理论研究:

1. Tang, H., Banchi, L., Wang, T. Y., Shang, X. W., Tan, X., Zhou, W. H., Feng, Z., Pal, A., Li, H., Hu, C. Q., Kim, M. S. and Jin, X. M.# Generating Haar-Uniform Randomness Using Stochastic Quantum Walks on a Photonic Chip. Physical Review Letters 12, 050503 (2022).

2. Tang, H.*, Shi, R. X.*, He, T. S.*, Zhu, Y. Y., Wang, T. Y., Lee, M., and Jin, X. M.# TensorFlow Solver for Quantum PageRank in Large-Scale Networks. Science Bulletin 66, 120-126 (2021).

3. Tang, H.*, Wang, T. Y.*, Shi, Z. Y., Feng, Z., Wang, Y., Shang, X. W., Gao, J., Jiao, Z. Q., Li, Z. M., Chang, Y. J., Lu, Y. H., Yang, Y. L,, Ren, R. J., Qiao, L. F. and Jin, X. M.# Experimental quantum simulation of dynamic localization on curved photonic lattices. Photonics Research 10, 1430-1439 (2022).

4. Tang, H., Feng, Z., Wang, Y. H., Lai, P. C., Wang, C. Y., Ye, Z. Y., Wang, C. K., Shi, Z. Y., Wang, T. Y., Chen, Y., Gao, J., and Jin, X, M.# Experimental quantum stochastic walks simulating associative memory of Hopfield neural networks. Physical Review Applied 11, 024020 (2019).

 

量子计算用于金融、机器学习等应用研究:

1. Tang, H.#, Anurag, P., Wang, T. Y., Qiao, L. F., Gao, J., and Jin, X. M.# Quantum Computation for Pricing the Collateralized Debt Obligations. Quantum Engineering 3, e84 (2021).

2. Shi, R. X.#, Tang, H.#, & Jin, X. M.#  Training a Quantum PointNet with Nesterov Accelerated Gradient Estimation by Projection. Paper No. 8 of the 1st Workshop on Quantum Tensor Networks in Machine Learning at 34th Conference on Neural Information Processing Systems (NeurIPS 2020 Workshop)

3. Gao, J., Qiao, L. F., Jiao, Z. Q., Ma, Y. C., Hu, C. Q., Ren, R. J., Yang, A. L., Tang, H., Yung, M. H., and Jin, X. M.# Experimental Machine Learning of Quantum States. Physical Review Letters 120, 240501 (2018).

 

论文列表详见:https://scholar.google.com/citations?hl=en&user=G7LyfAMAAAAJ