2026年8月10日至14日，由数据工程与知识工程教育部重点实验室主办的首届DEKE《量子数据管理与量子机器学习》前沿讲习班在中国人民大学信息楼414举行。讲习班由中国人民大学杜小勇教授担任学术主任，邀请来自赫尔辛基大学陆嘉恒教授和中国人民大学何昆副教授担任特邀讲者。来自中国人民大学、天津大学、武汉大学、山东大学等全国8所高校的同学齐聚一堂，围绕量子计算、数据管理与量子机器学习的交叉前沿，展开为期五天的集中学习与研讨。

本次讲习班以“基础—算法—系统—学习—研究”为递进主线：前四天通过理论讲授、案例分析和上机实践搭建跨学科知识框架，第五天由学员汇报学习心得，并结合各自研究方向思考量子技术的可能应用。课程既关注量子技术“能够做什么”，也持续讨论其成立条件、工程成本与现实边界。

首届DEKE《量子数据管理与量子机器学习》前沿讲习班学员与讲者合影

从基础到前沿：

四天构建交叉知识框架

前四天课程由量子计算的数学语言起步，逐层推进至核心算法、量子数据管理与量子机器学习，帮助学员把分散的概念连接成一条可理解、可实践、可讨论的完整路径。

五日课程一览

DAY1

从量子态走向量子电路

首日课程由范举教授致开幕词，欢迎来自全国各地的学员和特邀授课老师。课程围绕“量子态—量子门—量子电路”展开，从量子比特、叠加与测量、布洛赫球讲到酉变换、CNOT门、贝尔态和GHZ态。配套的Qiskit实验把数学表征、电路图示与代码运行结合起来，让学员通过测量分布、状态可视化和纠缠态制备，建立对量子计算基本对象与运行机制的直观认识，也为后续算法和量子机器学习课程打下基础。

DAY2

理解量子加速的来源与边界

第二天，以“相位编码—量子干涉—测量”为共同范式，系统讲解Deutsch–Jozsa算法、Grover搜索算法和量子傅里叶变换。课程从严格推导和小规模示例入手，说明渐进加速从何而来；同时强调量子测量的信息限制，以及查询模型、数据加载和电路实现等现实成本，引导学员避免把理论复杂度优势简单等同于现实设备上的性能优势。

DAY3

把量子态作为一种新型数据来管理

第三天，课程将视角从“制备量子态”推进到“管理量子数据”，围绕不可克隆、退相干和破坏性读出等物理特性，分析量子数据在存储、复制、读取与容错方面和经典数据的根本差异。随后，课程以任务均分和数据库连接顺序选择为案例，带领学员贯通二次无约束二值优化（QUBO）建模、Ising映射、量子退火与量子近似优化算法（QAOA）的完整链路，并借助Qiskit实验理解电路深度、采样成本、硬件噪声等现实权衡。

DAY4

在混合计算框架中走进量子机器学习

四天聚焦量子机器学习，从参数化旋转门出发，系统讲解变分量子算法的量子—经典混合优化闭环、参数化量子电路与量子神经网络，以及可测量输出、损失函数和参数移位梯度之间的联系。课程还讨论数据编码、有限采样、硬件噪声、训练困难和模型泛化等实际问题，并对大语言模型辅助量子研发、量子模块嵌入经典人工智能流程等交叉方向作出审慎辨析。

课程观察｜理解量子技术，不只要描述“它能做什么”，还要回答：优势在什么模型下成立，成本由谁承担，结果如何被验证。为此，数据加载、噪声、采样、硬件连通性和经典基线都应纳入完整资源账本。

从课堂走向课题：

学员汇报连接学习与研究

8月14日，讲习班进入综合学术研讨与研究展望环节。12名学员依次分享五天学习中的理解、收获与思考，并围绕如何将量子技术应用到自己的研究方向进行汇报交流。汇报让课堂中的概念、方法和工具回到具体科研语境。学员从“听懂一个概念”走向“讲清一个问题”，再到“判断它能否进入自己的研究”，完成了由知识输入到主动表达的转换；不同学习阶段、不同研究背景的交流，也进一步拓展了大家观察问题的角度。

以小规模深交流

为交叉探索打开入口

12名学员在密集课程、动手实践与集中研讨中，共同完成了对量子计算基本机制、量子数据管理方法和量子机器学习框架的系统梳理。

8月14日，首届DEKE《量子数据管理与量子机器学习》前沿讲习班完成全部日程。面对仍在快速演进的量子科技，严谨理解、主动实践与跨学科对话同样重要。五天课程虽已结束，学员对量子技术如何回应真实研究问题的思考仍将继续。