🔬 الفيزياء

Component-Level Inverse Design of Transmon Qubits Using Neural Networks

تقدم هذه الورقة سير عمل للتصميم العكسي القائم على الشبكات العصبية يقوم برسم خرائط مباشرة لمعلمات هاميلتونيان المستهدفة إلى هندسات تخطيط كيو بتات الترانزمون، محققاً دقة عالية تضاهي عدم اليقين في التصنيع مع تقديم تسريع يصل إلى $4.6 \times 10^7$ مرة مقارنة بالمحاكاة الكهرومغناطيسية التقليدية، حتى مع مجموعات بيانات التدريب الصغيرة.

المؤلفون الأصليون: Olivia Seidel, Firas Abouzahr, Abhishek Chakraborty, Sadman Ahmed Shanto, Saikat Das, Daniel Baxter, Jonathan Asaadi, Nicola Pancotti, Haoyu Yang, Brucek Khailany, Sara Sussman, Enectali Figueroa-Feli

نُشر 2026-10-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Olivia Seidel, Firas Abouzahr, Abhishek Chakraborty, Sadman Ahmed Shanto, Saikat Das, Daniel Baxter, Jonathan Asaadi, Nicola Pancotti, Haoyu Yang, Brucek Khailany, Sara Sussman, Enectali Figueroa-Feliciano, Eli M Levenson-Falk, Taylor L. Patti

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إن بناء حاسوب كمي يشبه محاولة ضبط جهاز راديو ليس له قرص تحكم، حيث تعتمد المحطة التي تريد سماعها على الشكل الدقيق للهوائي. في عالم الدوائر الكمية فائقة التوصيل، تُعد اللبنات الأساسية عبارة عن دوائر صغيرة تسمى "الكيوبتات" (qubits)، والتي تعمل كمعالجات لهذه الآلات. ولجعلها تعمل، يجب على المهندسين تصميم المخطط الفيزيائي للمعدن والعوازل على الشريحة بحيث تهتز الدائرة بتردد محدد للغاية وتتصرف بطريقة دقيقة. تقليديًا، كان العثور على الشكل المناسب لهذه الدوائر عملية بطيئة ومحبطة؛ حيث يرسم المصممون مخططًا، ثم يجرون محاكاة حاسوبية معقدة لمعرفة كيفية تدفق الكهرباء من خلاله، ثم يخمنون كيفية تغيير الرسم للحصول على النتيجة التي يريدونها. إنهم يكررون هذه الدورة مرارًا وتكرارًا، وهي طريقة تستهلك كميات هائلة من القدرة الحوسبية والوقت البشري، وغالبًا ما تسفر فقط عن تحسينات طفيفة.

لقد أظهر فريق من الباحثين الآن طريقة لقلب هذه العملية رأسًا على عقب. فبدلاً من تخمين شكل ما ثم التحقق من النتيجة، قاموا بتدريب نظام حاسوبي للبدء بالنتيجة المرغوبة والعمل بشكل عكسي فورًا لإيجال الشكل الذي يُوجدها. وباستخدام مجموعة بيانات تضم حوالي 1,900 تصميم موجود، علموا شبكة عصبية رسم الخرائط من سلوكيات مستهدفة محددة مباشرة إلى الأبعاد الفيزيائية لـ "ترانسمون كيوبت" (transmon qubit)، وهو نوع شائع من الدوائر فائقة التوصيل. تعلم النظام التنبؤ بالطول الدقيق للأشرطة المعدنية والمسافات بينها لتحقيق التردد المستهدف ومقياس محدد للاستقرار يُعرف باسم "اللانمطية" (anharmonicity). وعند اختباره، أنتجت الطريقة الجديدة تصميمات قابلة للاستخدام بنسبة 97 في المئة، مع أخطاء صغيرة جدًا لدرجة أنها تضاهي الاختلافات الطبيعية الموجودة في عملية التصنيع نفسها.

يكمن جوهر هذا الإنجاز في استراتيجية تدريب ذكية مكونة من خطوتين تحل مشكلة رئيسية في الهندسة العكسية. فعادةً، عندما تطلب من الحاسوب إيجاد شكل لسلوك كهربائي معين، غالبًا ما يكون هناك أكثر من إجابة صحيحة واحدة؛ إذ يمكن لعديد من التخطيطات المختلفة أن تنتج النتيجة ذاتها. وإذا حاول الحاسوب تعلم ذلك ببساطة عبر مطابقة الأشكال مع الأهداف، فإنه غالبًا ما يصاب بالارتباك ويقوم بمتوسط الإجابات، مما يؤدي إلى إنشاء تصميم لا يعمل على الإطلاق. ولتجنب ذلك، قام الباحثون أولاً بتدريب نموذج "بديل" (surrogate model) ليعمل كمحاكي سريع ودقيق. تعلم هذا البديل التنبؤ بالسلوك الكهربائي لأي شكل معطى بشكل فوري تقريبًا. ثم قاموا بتجميد هذا النموذج البديل في مكانه واستخدموه لتدريب النموذج العكسي. وبدلاً من مقارنة التصميم الجديد بقائمة من الأشكال الصحيحة، قارن النظام السلوك الكهربائي المتوقع للتصميم الجديد مقابل الهدف. وإذا كان السلوك خاطئًا، يقوم النظام بتعديل الشكل. سمح هذا للشبكة بتعلم العلاقة المعقدة بين الهندسة والفيزياء دون أن تضيع في ارتباك الحلول المتعددة الممكنة.

تظهر النتائج أن هذا النهج ليس دقيقًا فحًا فحسب، بل هو سريع بشكل مذهل. تستغرق المحاكاة التقليدية للتحقق من تصميم واحد حوالي دقيقتين على حاسوب قياسي، بينما يمكن لمسار الشبكة العصبية الجديد توليد والتحقق من تصميم مرشح في حوالي 60 مللي ثانية على نفس الأجهزة. وعندما يعالج النظام تصميمات في دفعات كبيرة، ينخفض الوقت لكل تصميم إلى بضعة ميكروثوانٍ فقط. ويمثل هذا تسريعًا بملايين المرات مقارنة بالطريقة القديمة. ووجد الباحثون أن النظام يعمل بشكل جيد حتى مع مجموعة بيانات صغيرة نسبيًا تقل عن 2,000 عينة، مما يشير إلى أن هذه التقنية لا تتطلب كميات هائلة من البيانات لتكون فعالة. وفي الواقع، كانت الأخطاء في التصميمات المتوقدة غالبًا أصغر من عدم اليقين الناتج عن عملية التصنيع الفيزيائية، مما يعني أن تنبؤات الحاسوب جيدة بقدر أفضل عمليات المحاكاة المتاحة حاليًا.

يُظهر هذا العمل أن التصميم العكسي على مستوى المكونات هو أداة عملية لتسريع إنشاء الأجهزة الكمية. لقد نجح النظام في توليد تخطيطات مبتكرة كانت مختلفة عن الأمثلة الأصلية المستخدمة في التدريب، ولكنها حققت أداءً مطابقًا للمستهدف تمامًا. وهذا يثبت أن النموذج قد تعلم الفيزياء الكامنة بدلاً من مجرد حفظ الرسومات السابقة. وبينما ركزت الدراسة الحالية على نوع محدد من تخطيطات "الترانسمون"، فإن الطريقة عامة ويمكن تطبيقها على أجهزة كمية أخرى. ومن خلال تحويل لعبة التخمين البطيئة والمتكررة إلى عملية حساب مباشرة، يقدم هذا النهج طريقة جديدة وقوية لاستكشاف مساحة التصميم للحواسيب الكمية، مما يسمح للمهندسين باختبار آلاف الأفكار في الوقت الذي كان يستغرقه اختبار فكرة واحدة.

ملخص تقني: التصميم العكسي على مستوى المكونات لبتات الترانسمونون (Transmon Qubits) باستخدام الشبكات العصبية

بيان المشكلة
لا يزال التصميم المنهجي للبتات الكمومية فائقة التوصيل، وتحديداً الـ "ترانسمونون" (transmons)، يمثل عقبة بسبب اعتماده على عملية تكرارية تجريبية (heuristic). عادةً ما يقوم المصممون برسم تخطيط، ثم محاكاته باستخدام حلول كهرومغناطيسية (EM) مكثفة حاسوبياً تعتمد على العناصر المحدودة، واستخراج معالم الدائرة (السعة، المعاوقة)، وحساب معالم الهاملتوني (تردد الكيوبت $f_q$ واللانمطية $\alpha$ )، ثم تعديل الهندسة بشكل حدسي. هذه الدورة تستغرق وقتاً طويلاً، وهي غير منهجية وغير فعالة، خاصة بالنظر إلى أن التغييرات الهندسية الصغيرة يمكن أن تؤدي إلى تأثيرات كبيرة وغير متوقعة على معالم الدائرة. علاوة على ذلك، فإن المسألة العكسية — أي رسم الخرائط من معالم الهاملتوني المستهدفة مباشرة إلى الهندسة الفيزيائية — هي مسألة غير محددة جيداً (ill-posed)؛ حيث يمكن لعدة هندسات متميزة أن تعطي استجابات هاملتونية متطابقة تقريباً. إن أي نموذج عكسي بسيط يتم تدريبه فقط على تسميات الهندسة قد يؤدي إلى "متوسط" هذه الحلول غير المتوافقة، مما ينتج تصاميم غير صالحة فيزيائياً.

المنهجية
يقترح المؤلفون سير عمل للتصميم العكسي على مستوى المكونات يقوم برسم الخرائط من معالم الهاملتوني المستهدفة مباشرة إلى معالم التخطيط باستخدام بنية شبكة عصبية (NN) متتالية (tandem architecture). تم تطبيق سير العمل على تصميم "cross-claw" مستوٍ ضمن بيئة تصميم Quantum Metal.

مصدر البيانات: تستخدم الدراسة قاعدة بيانات SQuADDS مفتوحة المصدر، وتحديداً مجموعة فرعية مكونة من 1,934 عينة من ترانسمونون "cross-claw". تربط مجموعة البيانات بين ثلاثة معالم هندسية متغيرة (طول المخلب "claw length"، المسافة الأرضية "ground spacing"، وطول التقاطع "cross length") ومعالم الهاملتوني ( $f_q$ و $\alpha$ )، مع تثبيت طاقة جوزيفسون ( $E_J$ ) عند 10 nH.
البنية المتتالية (Tandem Architecture): لمعالجة الطبيعة غير المحددة جيداً للمسألة العكسية، استخدم المؤلفون شبكة مكونة من مرحلتين:
- النموذج البديل الأمامي (Forward Surrogate): يتم تدريب مدرك متعدد الطبقات (MLP) أولاً لتقريب رسم الخرائط من معالم الهندسة إلى معالم الهاملتوني ( $f_q, \alpha$ ). يتم تجميد هذا النموذج بعد التدريب.
- النموذج العكسي (Inverse Model): يقوم نموذج MLP آخر، مدمج، برسم الخرائط من معالم الهاملتوني المستهدفة عائداً إلى معالم الهندسة الثلاثة.
استراتيجية التدريب: يتم تدريب النموذج العكسي عن طريق تمرير الهندسات التي يتنبأ بها عبر النموذج البديل الأمامي المجمد. يتم حساب الخسارة (loss) في فضاء الهاملتوني (مقارنة $f_q, \alpha$ المعاد بناؤهما من النموذج البديل مقابل $f_q, \alpha$ المستهدف). يضمن هذا أن النموذج العكسي يتعلم إنتاج هندسات تلبي القيود الفيزيائية للهاملتوني المستهدف، متجنباً متوسط الحلول غير المتوافقة.
التطبيع (Normalization): يتم تطبيق تطبيع الحد الأدنى والأقصى (min-max normalization) على كل من المدخلات والمخرجات باستخدام توزيع مجموعة التدريب فقط لمنع تسرب البيانات.

المساهمات الرئيسية

نموذج بديل أمامي فعال: تطوير نموذج بديل MLP قادر على التنبؤ بـ $f_q$ و $\alpha$ من الهندسة بدقة عالية (متوسط أخطاء قدره 0.136% و 0.293% على التوالي) باستخدام حوالي 1,000 عينة تدريب فقط.
سير عمل التصميم العكسي: إثبات نجاح خط أنابيب عكسي متتالٍ يرسم الخرائط من معالم الهاملتوني المستهدفة إلى هندسات "cross-claw" صالحة لترانسمونون، بمتوسط خطأ قدره 0.53% لـ $f_q$ و 1.14% لـ $\alpha$ .
تحليل قياس النطاق للبيانات الصغيرة: تحليل صارم يظهر أن المنهجية فعالة للغاية من حيث البيانات، حيث يستقر الأداء بعد استخدام حوالي 50% من بيانات التدريب المتاحة، مما يشير إلى أن الخطأ المتبقي يعود إلى تغطية مساحة التصميم وليس حجم البيانات.
قياس زمن التشغيل: تحليل مقارنة السرعة الشامل مقابل حلول EM التقليدية (Ansys Q3D).

النتائج

الدقة: في التحقق من الصحة مقابل حل EM تقليدي، أنتجت 97% من التصاميم الـ 100 المولدة هندسات صالحة للاستخدام (فشلت 3 منها بسبب قواعد التخطيط الهندسي مثل تداخل المعدن). بالنسبة لـ 97 تصميماً صالحاً، حقق خط الأنابيب متوسط أخطاء مئوية قدره 0.73% لتردد الكيوبت و 1.58% لللانمطية. هذه الأخطاء قابلة للمقارنة أو حتى أقل من عدم اليقين المتوقع في عمليات التصنيع والمحاكاة لأجهزة الترانسمونون الأكاديمية.
السرعة:
- يستغرق استخراج سعة EM تقليدي واحد حوالي دقيقتين.
- استعلام واحد من خط الأنابيب العكسي والبديل يستغرق حوالي 60 مللي ثانية على وحدة المعالجة المركزية (CPU) (تسريع قدره ~2,000 ضعف).
- عند المعالجة بالدفعات (بحجم 2048)، ينخفض وقت الاستدلال إلى 3.1 ميكروثانية لكل عينة على وحدة المعالجة المركزية و 2.6 ميكروثانية لكل عينة على وحدة معالجة الرسومات (GPU)، مما يمثل تسريعاً قدره $3.9 \times 10^7$ و $4.6 \times 10^7$ على التوالي، مقارنة باستخراج EM واحد على وحدة المعالجة المركزية.
القدرة التوليدية: نجح النموذج في توليد تخطيطات جديدة وصالحة تختلف عن المراجع التدريبية وتلبي الهاملتوني المستهدف، مما يثبت القدرة على التنقل في طبيعة "واحد-إلى-متعدد" للرسم العكسي.
اختبار الإجهاد: أظهر اختبار الإجهاد للجار الأقرب على 50,000 هندسة عشوائية أن النموذج البديل يتدهور ببطء أكبر مع الابتعاد عن بيانات التدريب مقارنة بأساس الجار الأقرب البسيط، مما يؤكد أن النموذج يتعلم تقريباً تجريبياً سلساً لخريطة الهندسة-إلى-الهاملتوني.

الأهمية والادعاءات
يدعي المؤلفون أن سير عمل التصميم العكسي هذا على مستوى المكونات يعمل بفعالية كمكمل وموسع لمحاكاة EM التقليدية. تكمن الأهمية الأساسية في القدرة على توليد وفحص التصاميم المرشحة بسرعة، مما يقلل دورة التصميم من ساعات من المحاكاة التكرارية إلى أجزاء من الثانية. يؤكد المؤلفون أن الدقة التي تم تحقيقها كافية لأغراض التصميم العملية، حيث أن خطأ النموذج قابل للمقارنة مع حالات عدم اليقين المتأصلة في هيكل التصنيع والمحاكاة. كما أشاروا إلى أن أي تقليل إضافي في خطأ النموذج سيكون من الصعب التحقق منه تجريبياً دون تحسينات كبيرة في تجانس التصنيع. يُقدم سير العمل كحل فعال من حيث البيانات مناسب لمجموعات البيانات الصغيرة (~1,000 عينة) وهو مصمم ليكون عاماً، وقابلاً للتطبيق على أي أداة تصميم تدعم توليد التخطيطات ذات المعالم، مع إمكانية التوسع مستقبلاً لتشمل الأنظمة الأكثر تعقيداً وأنماط الكيوبت المختلفة.

أبحاث مشابهة