A General Framework for Gradient-Based Optimization of Superconducting Quantum Circuits using Qubit Discovery as a Case Study

Resumen Técnico: Un Marco General para la Optimización Basada en Gradientes de Circuitos Cuánticos Superconductores

Planteamiento del Problema
La ingeniería del Hamiltoniano de un sistema cuántico es fundamental para lograr nuevos objetivos de rendimiento o realizar nuevas funcionalidades en la computación cuántica. Si bien los circuitos cuánticos superconductores ofrecen una flexibilidad sustancial para el diseño del Hamiltoniano, el proceso de diseño manual se vuelve cada vez más difícil a medida que los circuitos crecen en tamaño e complejidad. Los paquetes de software existentes facilitan el análisis, pero no automatizan intrínsecamente el proceso de diseño. Además, optimizar estos sistemas requiere calcular los gradientes de los autovalores y autovectores de matrices hamiltonianas grandes y dispersas (sparse) con respecto a las propiedades del sistema (por ejemplo, capacitancia, inductancia, energía de la unión Josephson). El cálculo de estos gradientes para sistemas arbitrarios plantea un desafío computacional significativo, particularmente porque las herramientas estándar de diferenciación automática a menudo carecen de soporte para los gradientes de sistemas de autovalores y autovectores de matrices dispersas. En consecuencia, la optimización del diseño suele depender de métodos de orden cero (por ejemplo, estrategias evolutivas, optimización bayesiana), los cuales son computacionalmente costosos y carecen de la eficiencia de los enfoques basados en gradientes.

Metodología
Los autores presentan un marco integral para la optimización basada en gradientes de circuitos cuánticos superconductores, aprovechando y extendiendo el paquete de Python de código abierto SQcircuit. La metodología se basa en tres pilares técnicos fundamentales:

1. Integración de la Diferenciación Automática (AD): Los autores integraron el motor PyTorch en SQcircuit. Para superar la limitación de que las librerías de AD estándar no soportan gradientes para autovalores y autovectores de matrices dispersas, introdujeron un nodo computacional personalizado dentro del grafo computacional de PyTorch. Este nodo utiliza la teoría de perturbaciones de primer orden para calcular analíticamente las derivadas de los autovalores ($f_i$) y los autovectores ($|f_i\rangle$) con respecto a los parámetros del circuito ($x$):
   $$\frac{\partial f_i}{\partial x} = \langle f_i | \frac{\partial \hat{H}}{\partial x} | f_i \rangle$$
   $$\frac{\partial |f_i\rangle}{\partial x} = \sum_{m \neq i} \frac{\langle f_m | \frac{\partial \hat{H}}{\partial x} | f_i \rangle}{f_i - f_m} |f_m\rangle$$
   Esto permite al marco calcular gradientes de funciones de pérdida arbitrarias construidas a partir de los elementos del circuito y el sistema de autovalores del mismo.

2. Pipeline de Optimización Robusta: Los autores desarrollaron un pipeline utilizando el algoritmo de optimización BFGS (quasi-Newton) con reinicios aleatorios para navegar por el paisaje de pérdida no convexo. Las características clave de este pipeline incluyen:

   • Asignación Automática de Truncamiento: Un algoritmo que asigna dinámicamente los números de truncamiento del espacio de Hilbert para los modos armónicos y de carga basándose en las tasas de decaimiento de los autovectores y estimaciones del ancho del estado fundamental. Esto asegura que los recursos computacionales se asignen eficientamente a los modos que requieren una mayor resolución.
   • Prueba de Convergencia: Una prueba rigurosa para verificar que los autovalores y autovectores se han estabilizado con respecto a los números de truncamiento elegidos antes de proceder con los cálculos de gradiente.
   • Reparametrización: Los valores de los elementos del circuito se optimizan en un espacio logarítmico y adimensional para manejar el amplio rango dinámico de los parámetros físicos (por ejemplo, de femtofaradios a picofaradios) y prevenir el mal condicionamiento del paisaje de pérdida.

3. Descubrimiento de Qubits como Caso de Estudio: El marco se aplicó al descubrimiento de diseños de un solo qubit. La búsqueda se formuló como un problema de optimización restringida que maximiza el número de puertas de un solo qubit ejecutables ($N = T \times G$), donde $T$ es el tiempo de decoherencia y $G$ es el límite superior de la velocidad de la puerta. Se impusieron restricciones sobre la sensibilidad al flujo ($S_\phi$), la sensibilidad a la carga ($S_n$) y la sensibilidad de los elementos a errores de fabricación ($S_e$) utilizando funciones de pérdida de tipo hinge para penalizar las violaciones.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

1. SQcircuit Extendido: El paquete fue mejorado con capacidades de diferenciación automática para calcular gradientes de métricas arbitrarias con respecto a los valores de los elementos del circuito, incluyendo la implementación novedosa de gradientes de autovalores/autovectores para Hamiltonianos dispersos.
2. Pipeline de Optimización: Un pipeline robusto para el descubrimiento de circuitos mediante optimización BFGS, que requiere únicamente la definición de una función de pérdida adecuada.
3. Truncamiento Automático y Convergencia: Implementación de una asignación automática de los números de truncamiento del espacio de Hilbert y pruebas de convergencia de diagonalización, abordando cuellos de botella significativos en los procesos de búsqueda.
4. Métricas de Rendimiento: Introducción de métricas específicas para comparar diseños de qubits basadas en la implementabilidad de laboratorio (sensibilidades) y el conteo total de puertas, aplicadas para explorar exhaustivamente topologías de circuitos de un solo lazo.

Resultados
El marco se utilizó para descubrir diseños de qubits que superan a sus contrapartes en la literatura existente en métricas específicas:

• Mejoras en el Conteo de Puertas: Los circuitos optimizados mostraron mejoras en la medida heurística del conteo de puertas ($N$) en comparación con los qubits existentes. Por ejemplo, los circuitos "JL" optimizados (similares al fluxonium) demostraron conteos de puertas un orden de magnitud superiores a los diseños de heavy fluxonium y el fluxonium de Pop.
• Reducción de Sensibilidad: Los circuitos "JL" optimizados exhibieron una sensibilidad significativamente menor a las variaciones de flujo externo en comparación con el heavy fluxonium, mitigando una fuente primaria de desfase.
• Exploración de Topologías: El pipeline exploró varias topologías (por ejemplo, "JJ", "JL", "JJJ", "JLJL"). Aunque algunos diseños optimizados (como "JLL" o "JL(JC)") inicialmente parecieron prometedores, el proceso de optimización a menudo los redujo a circuitos efectivos más simples y conocidos (por ejemplo, cortocircuitando inductores para revertir a un fluxonium). Sin embargo, la topología "JJJ" produjo un diseño con un conteo de puertas un orden de magnitud superior al del qubit de flujo y el cuantrón, presentando autovectores tipo transmon de dos dimensiones localizados en el mínimo del potencial.
• Comparación: Los qubits descubiertos fueron evaluados frente a diseños establecidos (por ejemplo, transmon Sycamore, heavy fluxonium, qubit de flujo) utilizando una métrica unificada de conteo de puertas, tiempo de decoherencia y límites superiores de velocidad de puerta.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona un enfoque universal aplicable a cualquier circuito cuántico superconductor arbitrario, yendo más allá de las estrategias de optimización específicas para cada problema que requieren empezar desde cero. Al demostrar que la optimización basada en gradientes puede implementarse eficientemente para estos sistemas, el marco agiliza el proceso de diseño.

El artículo enmarca modestamente su significancia como una demostración de una metodología general. Aunque se exhibió mediante la optimización de qubits, los autores señalan que el marco es versátil y puede extenderse a otros desafíos en el diseño de hardware cuántico superconductor, como el diseño de acopladores, sensores cuánticos y transductores. El trabajo no pretende haber resuelto todos los desafíos de optimización en el hardware cuántico, sino que proporciona un conjunto de herramientas escalable y automatizado que acelera la exploración del espacio de diseño. Los autores señalan limitaciones, incluyendo la restricción a circuitos con hasta cuatro nodos debido a limitaciones de memoria computacional, y la simplificación de los límites de velocidad de puerta al omitir las fuerzas de acoplamiento y las restricciones de control específicas.