据麦姆斯咨询报道，2025年3月28日至30日，上海交通大学助理研究员肖太龙将参加《第68期“见微知著”培训课程：量子传感与精密测量》并进行授课，具体信息如下：
授课主题：基于量子机器学习算法的量子传感
授课老师简介：
肖太龙，博士，上海交通大学感知学院助理研究员。他于2023年在上海交通大学获得博士学位，研究方向为量子人工智能（AI）算法及其在量子传感中的应用，主持国家自然科学基金等项目4项，曾获得首届CCF量子计算优秀博士论文，在Nature合作期刊npj Quantum Information、Communications Physics、New journal of Physics以及Phys. Rev.系列等期刊上发表SCI论文25余篇，被引用170余次。他目前担任Physical Review Letters、PRX Quantum、Quantum Science and Technology、New Journal of Physics、Physical Review A/Applied等期刊审稿人。他曾获2019年首届上海交大杨嘉墀奖学金、2022年光纤国重一等奖研金、中国计算机学会“司南杯”量子编程挑战赛一等奖（2023）与二等奖（2022）。
授课背景及内容：
量子机器学习（Quantum Machine Learning，QML）是结合量子计算与机器学习的前沿交叉学科方向，旨在利用量子计算的特性来实现机器学习任务（例如数据分类、回归分析、模式识别）的优化，具有量子并行计算、指数级存储能力、量子优化加速等优点。将量子机器学习算法的引入量子传感领域，可以进一步增强传感器的数据处理能力，提高灵敏度和抗噪性，实现更高效的信号提取和模式识别。量子机器学习为量子关联成像/鬼成像（Ghost Imaging，GI）提供了新的优化方法，提升了采样效率、成像质量和抗噪能力，在量子雷达、遥感探测、生物成像等领域具有广阔的应用前景。本课程从量子计算和机器学习的基础知识出发，详细讲解基于量子机器学习算法的量子传感技术与应用。
经典机器学习（CML）和量子机器学习（QML）
a. 典型的鬼影成像（Ghost Imaging）实验装置。b. 结合人工神经网络或卷积神经网络的混合量子机器学习算法可增强物体识别和物体成像质量。（来源：Practical advantage of quantum machine learning in ghost imaging）
课程提纲：
1. 量子计算进展；
2. 机器学习赋能量子信息技术；
3. 量子机器学习概念、算法及其优势；
4. 基于量子机器学习算法的量子传感；
5. 量子机器学习鬼成像与实际优势；
6. 基于量子机器学习算法的量子传感应用与展望。
培训详情：
https://www.memstraining.com/training-68.html
