教授，博士生导师，南京邮电大学通信与信息工程学院副院长；于中国科学技术大学获得理学博士学位，先后在瑞典皇家理工学院、丹麦技术大学、玻尔研究所等几个著名的科研团队，进行量子信息方向的科学研究 。入选江苏省杰出青年、双创人才等人才计划，获得江苏省光学学会青年光学科技奖、江苏省三八红旗手、全国大学生课外学术科技作品竞赛优秀指导教师等荣誉。主持多个国家级和省部级重大、重点项目，包括国家重点研发计划“量子调控与量子信息”重点专项、江苏省重点研发计划等，到账经费额超过2000万元。指导学生多次参加国家级科技作品竞赛并获得最高奖，包括挑战杯全国大学生课外学术科技作品竞赛特等奖、挑战杯黑科技专项赛星系奖等，培养了50多名有深入发展潜力的博士生、硕士生。现为中国密码学会量子密码专业委员会、中国物理学会量子光学专业委员会、中国光学学会光量子科学与技术专业委员会、中国计算机学会量子计算专业委员会，以及中国通信学会量子通信专业委员会委员；担任量子光学学报、量子电子学报编委等；长期担任APS、OSA、IEEE等国际学会核心期刊审稿人，并参与制定了国内首个量子密码行业标准。

    王琴教授近几年在量子信息领域做出了一系列创新性的科研成果，在物理学主要学术期刊Phys. Rev. Lett.、Phys. Rev. Appl.等期刊上发表高水平论文一百余篇；授权中国发明专利35件、美国发明专利3件，申请国际PCT专利3件。主持或作为骨干参与多个国家级和省部级自然科学基金项目，其中包括：国家重点研发计划量子调控与量子信息重点专项“高性能量子密钥分发关键技术研究”、国家重点研发计划量子调控与量子信息重点专项“固态量子存储器”、江苏省重点研发计划产业前瞻与关键核心技术项目“ 高性能量子保密通信系统及应用关键技术研究”、江苏省自然科学基金前沿引领技术基础研究专项“芯片化量子保密通信终端”等。

    目前团队成员包括硕士、博士研究生和教师在内共40多人，我们团队的研究方向主要包括： 量子保密通信、机器学习、单光子成像等。 研究生平时的学习、工作主要内容和能力要求包括：
1. 实验类：需要一定的动手能力，能够通过学习操作大中型实验仪器；能够通过学习利用Labview、C++等编程软件对仪器实现控制；具有一定电子学或光学基础者优先考虑。
2. 理论仿真类： 需要有一定的数学功底，能够通过学习熟练运用MATLAB等数学软件；能够通过学习运用机器学习，优化算法等方式，对通信系统进行优化，并在软件上实现通信系统的模拟。

    此外，要求学生有一定的团队意识，互帮互助，能积极配合老师和其他学生完成任务。我们团队会根据平时的表现，定期选取优秀学生代表进行表彰，并给予一定的物质奖励。与此同时，学生硕士期间有参加国内、国际学术会议的机会，博士生每人都有出国开会、学习交流的机会。

团队研究生近几年主要获奖情况：

2024年，团队研究生获得江苏省光学学会学生类青年光学科技奖。

2023年，研究生团队获得第十八届“挑战杯”全国大学生课外学术科技作品竞赛江苏省选拔赛特等奖，国赛一等奖；团队研究生获得江苏省优秀硕士论文。

2022年，研究生团队获得第八届江苏省“互联网+”大学生创新创业大赛一等奖。

2021年，研究生团队获得第十七届“挑战杯”全国大学生课外学术科技作品竞赛“黑科技”专项赛最高奖“星系”奖。

2019年，研究生团队获得“挑战杯”全国大学生课外学术科技作品竞赛国赛特等奖；团队研究生获得中国电子学会优秀硕士论文。

2015年至今，组内研究生获国家奖学金和企业奖学金累计超过二十人次，每年均有多名研究生获评校优秀毕业生。

团队中老师和已毕业的学生可以根据学生情况进行推荐工作，已毕业的学生多进入华为、中兴、省级电信和研究所等公司和单位。

1、国家重点研发计划量子调控与量子信息重点专项, 高性能量子密钥分发关键技术研究，2018YFA0306400，2018.05至2023.04
2、国家重点研发计划量子调控与量子信息重点专项, 固态量子存储器，2017YFA0304100，2018.01至2022.12
3、国家自然科学基金面上项目, 基于机器学习的量子密码系统研究, 12074194，2021.01-2024.12
4、江苏省重点研发计划产业前瞻与关键核心技术项目， 高性能量子保密通信系统及应用关键技术研究， BE2022071，2022.06至2026.06 ；
5、江苏省自然科学基金前沿引领技术基础研究专项，芯片化量子保密通信终端，BK20192001, 2019.10至2024.09.

[1] J. Y. Liu, Q. Y. Jiang, H. J. Ding, X. Ma, M. S. Sun, J. X. Xu, C. H. Zhang, S. Xie, J. Li, G. G. Zeng, X. Y. Zhou, Q. Wang*, Highly efficient twin-field quantum key distribution with neural networks, Sci. China Inf. Sci. 66, 189402 (2023).
[2] J. X. Xu, X. Ma, J. Y. Liu, C. H. Zhang, H. W. Li, X. Y. Zhou, Q. Wang*, Automatically identifying imperfections and attacks in practical quantum key distribution systems via machine learning, Sci. China Inf. Sci. 67, 202501 (2024).
[3] J. Y. Liu, X. Ma, H. J. Ding, C. H. Zhang, X. Y. Zhou, and Q. Wang*, Experimental demonstration of five-intensity measurement-device-independent quantum key distribution over 442 km, Phys. Rev. A 108, 022605 (2023).
[4] M. S. Sun, C. H. Zhang, H. J. Ding, X. Y. Zhou, J. Li, and Q. Wang*, Practical Decoy-State Memory-Assisted Measurement-Device-Independent Quantum Key Distribution, Phys. Rev. Applied 20, 024029 (2023).
[5] H. J. Ding, J. Y. Liu, X. Y. Zhou, C. H. Zhang, J. Li, and Q. Wang*, Improved Finite-Key Security Analysis of Measurement-Device-Independent Quantum Key Distribution Against a Trojan-Horse Attack, Phys. Rev. Applied 19, 044022 (2023).
[6] J. Y. Liu, H. J. Ding, C. M. Zhang, S. P. Xie, and Q. Wang*, Practical Phase-Modulation Stabilization in Quantum Key Distribution via Machine Learning, Phys. Rev. Applied 12, 014059 (2019).