呂柏融

實習生 • MediaTek 聯發科技

三月 2022 ~ 九月 2022・7個月 | 新竹市, 台灣

• 公司剛成立量子電腦部門，希望與學校的量子電腦相關實驗室合作，找尋在應用IC設計上的可能性。
• 初期向公司報告實驗室的量子電腦研究成果與運作方式，尋找潛在的合作項目。
• 中期曾與公司團隊一起參加IBM Quantum Awards: Open Science Prize 2021。
• 後期公司想嘗試用量子版本的強化學習在IC電路上做優化，但由於當時忙於撰寫畢業論文，便沒有繼續參與該專案。

實習生 • 馬克思普朗克研究院

七月 2018 ~ 九月 2018・3個月 | Deutschland

• 實驗室主要工作是做分子束磊晶MBE(在基板上長薄膜)
• 1. 協助維修磊晶儀器，製作鎢絲加熱環。
• 2. 使用AFM原子力顯微鏡測量、紀錄樣品表面質地(奈米級)。
• 3. 跨部門合作，協助尋找打磨樣品表面的方法(基板表面平滑程度會影響磊晶結果)。

國立台灣大學

應用物理 • 2020 - 2024

【碩士論文內容】

論文題目:使用前饋式量子神經網路的量子分類器

此論文主旨為討論以不同結構的前饋式量子神經網路作為分類器(classifier)對結果的影響。

量子神經網絡（QNN）具有逼近任意函數的表達能力，但通常需要深度電路。為了解決這一問題，我們比照傳統NN的方式設計了一個混合QNN電路，通過結合數據重新上傳和測量前饋技術來減少電路深度。我們首先展示了前饋電路在分類任務中的能力及其在雜訊環境中的可行性；接著我們將混合 QNN 電路應用於三個不同的分類問題，探索不同的電路結構和分類方法如何影響結果。此論文的結論為:

1. 我們設計的混和演算法即使在有雜訊的情況下也能有不錯的結果，這對當前的量子設備(NISQ device)是比較友善的。
2. 根據實驗結果，在三種問題上，我們設計的混和演算法都能用更少的參數達到和傳統NN相當的準確率。
3. 用來分類的預定義態(predefined states)，越接近正交，分類結果越好。根據這個結論，我們設計了用q量子位元和n預定義態處理n^q元分類的方法。
4.即使QNN已經具有逼近任意函數的表達能力，在數學結構上，沒有使用量前饋技術的QNN和單層感知器(Single Layer Perceptron)有較高的相似性。

國立交通大學 National Chiao Tung University

電子物理 • 2015 - 2019