🔬 applied physics

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

Questo articolo presenta un framework di ottimizzazione completo, basato sul gradiente e integrato con il software SQcircuit, che automatizza la progettazione di circuiti quantistici superconduttori computando efficientemente i gradienti dell'autosistema, dimostrando con successo la propria capacità di scoprire nuove architetture di qubit con metriche di prestazione superiori rispetto ai design esistenti.

Autori originali: Taha Rajabzadeh, Alex Boulton-McKeehan, Sam Bonkowsky, David I. Schuster, Amir H. Safavi-Naeini

Pubblicato 2026-10-07

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Taha Rajabzadeh, Alex Boulton-McKeehan, Sam Bonkowsky, David I. Schuster, Amir H. Safavi-Naeini

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Costruire un computer quantistico è come cercare di sintonizzare una radio su una singola stazione perfetta mentre ci si trova in mezzo a una tempesta di elettricità statica. I dispositivi che contengono l'informazione in queste macchine, chiamati qubit, sono incredibilmente fragili. Sono costruiti con minuscoli anelli di filo superconduttore che trasportano elettricità senza resistenza, ma sono così sensibili che anche un sussurro di calore o un campo magnetico erratico possono sconvolgere i loro dati. Per decenni, gli scienziati hanno progettato questi circuiti manualmente, regolando a mano la dimensione dei condensatori e la forza delle giunzioni magnetiche, sperando di trovare una combinazione che mantenesse il qubit stabile abbastanza a lungo da compiere un lavoro utile. È un processo lento, basato su tentativi ed errori, simile al tentativo di trovare la ricetta perfetta assaggiando ogni possibile variazione di un ingrediente. L'obiettivo è sempre lo stesso: creare un qubit che possa eseguire milioni di calcoli prima di perdere le proprie informazioni, il tutto resistendo al rumore dell'ambiente di laboratorio.

Un team di ricercatori dell'Università di Stanford ha ora sviluppato un nuovo modo per velocizzare questa ricerca. Invece di procedere per tentativi, hanno costruito un framework digitale che utilizza uno strumento matematico potente per progettare automaticamente circuiti superconduttori migliori. Hanno trattato il processo di progettazione come un problema che poteva essere risolto da un computer che impara dai propri errori. Collegando il loro software di simulazione dei circuiti a un sistema capace di calcolare come minuscole variazioni nella forma di un circuito influenzino le sue prestazioni, hanno creato un ciclo di feedback. Il computer proponeva un design, calcolava quanto bene avrebbe funzionato e poi regolava immediatamente il design per migliorarlo, ripetendo questo ciclo migliaoli di volte finché non trovava una configurazione che fosse di gran lunga superiore a qualsiasi cosa avessero precedentemente costruito gli esseri umani.

I ricercatori hanno applicato questo metodo al compito specifico di scoprire nuovi tipi di qubit. Hanno lasciato il computer libero di esplorare un vasto panorama di possibili forme di circuiti, che spaziavano da semplici anelli a configurazioni più complesse con molteplici giunzioni e condensatori. Al computer è stato dato un insieme chiaro di obiettivi: massimizzare il numero di operazioni che il qubit può eseguire prima di fallire, garantendo al contempo che rimanesse insensibile alle fluttuazioni dei campi magnetici e delle cariche elettriche. Gli è stato anche ordinato di rimanere entro i limiti fisici di ciò che può effettivamente essere fabbricato in un laboratorio, come le dimensioni minime e massime dei componenti. Il sistema ha esplorato milioni di possibilità, scartando i design troppo sensibili al rumore o troppo lenti, e perfezionando quelli che mostravano potenziale.

I risultati di questa ricerca automatizzata sono stati sorprendenti. Il computer ha scoperto diversi nuovi design di circuiti che superano i migliori qubit attualmente in uso in termini di potenziale teorico. Uno dei design più riusciti, che i ricercatori chiamano circuito "JL", ha mostrato il potenziale per eseguire oltre un milione di operazioni, un salto significativo rispetto alle centinaia di migliaia raggiunte dagli esistenti qubit heavy fluxonium. Ancora più importante, questi nuovi design sono molto più robusti contro il rumore magnetico, un nemico comune che causa la perdita dei dati nei qubit. Il computer ha scoperto che, bilanciando attentamente la dimensione degli induttori e la forza delle giunzioni, era possibile creare un circuito naturalmente resistente alle perturbazioni ambientali che solitamente affliggono questi dispositivi. Tuttavia, i ricercatori hanno osservato che il confronto tra questi qubit ottimizzati e quelli esistenti era inteso esclusivamente per sottolineare il potenziale intrinseco di ogni topologia di circuito, piuttosto che per rivendicare una sostituzione diretta di tutto l'hardware attuale.

Non tutti i design trovati dal computer sono stati vincenti, e il processo ha rivelato alcune verità interessanti sulla natura di questi circuiti. In alcuni casi, il computer ha proposto strutture complesse con molte parti, solo per rendersi conto durante l'ottimizzazione che la prestazione migliore derivava dall'eliminazione efficace di alcune di esse. Ad esempio, un design che sembrava un complicato ibrido di due diversi tipi di qubit si è rivelato funzionare meglio quando una parte del circuito veniva resa così grande da dominare il comportamento, semplificando efficacemente l'intero sistema verso una forma nota e affidabile. Ciò suggerisce che, sebbene la complessità possa offrire nuove possibilità, le soluzioni più efficaci spesso si basano su un'architettura pulita e focalizzata. I ricercatori hanno inoltre scoperto che alcuni dei nuovi design più promettenti avevano proprietà che non erano solo leggermente migliori, ma un ordine di grandezza superiori rispetto alla tecnologia esistente, in particolare per quanto riguarda la durata con cui potevano mantenere il proprio stato quantistico, pur notando che alcuni design ottimizzati finivano per ridursi a o essere quasi equivalenti a qubit precedentemente scoperti con meno elementi.

Il framework costruito dal team non è limitato alla ricerca di migliori qubit. Poiché il sistema può calcolare come qualsiasi modifica a un circuito ne influenzi le prestazioni, può essere utilizzato per risolvere altri problemi di progettazione nell'hardware quantistico. Potrebbe aiutare gli ingegneri a creare connessioni migliori tra i qubit, progettare sensori più efficienti o costruire circuiti meno soggetti agli errori di produzione. L'innovazione chiave è che il sistema non ha bisogno di imparare le regole della fisica per ogni nuovo problema; ha semplicemente bisogno di una definizione di cosa sia "buono", e utilizzerà le leggi della fisica per trovare la strada verso quell'obiettivo. Questo approccio sposta l'onere della progettazione dall'intuizione umana alla potenza computazionale, permettendo ai ricercatori di esplorare una gamma di possibilità molto più ampia di quanto fosse possibile in precedenza.

Lo studio conferma che la strada verso computer quantistici migliori potrebbe non risiedere nell'invenzione di materiali completamente nuovi o fenomeni fisici esotici, ma nell'ottimizzazione dei circuiti che già sappiamo costruire. Lasciando che un computer esplori sistematicamente lo spazio di tutti i possibili design, i ricercatori hanno scoperto configurazioni che gli ingegneri umani potrebbero aver trascurato. Questi nuovi design non sono solo curiosità teoriche; sono disposizioni specifiche di condensatori, induttori e giunzioni che possono essere costruite in un laboratorio. I ricercatori hanno reso il loro software e il codice del loro processo di scoperta disponibili al pubblico, invitando altri scienziati a utilizzare questi strumenti per spingere i confini di ciò che è possibile. Mentre il campo dell'informatica quantistica avanza, questo tipo di progettazione automatizzata potrebbe diventare lo standard per costruire la prossima generazione di macchine, trasformando l'arte lenta e manuale della progettazione dei circuiti in una scienza veloce e precisa.

Sintesi Tecnica: Un Framework Generale per l'Ottimizzazione Basata sul Gradiente di Circuiti Quantistici Superconduttori

Definizione del Problema
L'ingegneria dell'Hamiltoniana di un sistema quantistico è fondamentale per raggiungere nuovi obiettivi di prestazione o per realizzare nuove funzionalità nel calcolo quantistico. Sebbene i circuiti quantistici superconduttori offrano una sostanziale flessibilità nella progettazione dell'Hamiltoniana, il processo di progettazione manuale diventa sempre più difficile man mano che i circuiti crescono in dimensioni e complessità. I pacchetti software esistenti facilitano l'analisi, ma non automatizzano intrinsecamente il processo di progettazione. Inoltre, l'ottimizzazione di questi sistemi richiede il calcolo dei gradienti degli autovalori e degli autovettori di grandi matrici Hamiltoniane sparse rispetto alle proprietà del sistema (ad esempio, capacità, induttanza, energia della giunzione Josephson). Il calcolo di questi gradienti per sistemi arbitrari pone una sfida computazionale significativa, poiché gli strumenti standard di differenziazione automatica spesso mancano del supporto per i gradienti di eigensistemi di matrici sparse. Di conseguenza, l'ottimizzazione del design si affida spesso a metodi di ordine zero (ad esempio, strategie evolutive, ottimizzazione bayesiana), che sono computazionalmente costosi e mancano dell'efficienza degli approcci basati sul gradiente.

Metodologia
Gli autori presentano un framework completo per l'ottimizzazione basata sul gradiente di circuiti quantistici superconduttori, sfruttando e estendendo il pacchetto Python open-source SQcircuit. La metodologia si basa su tre pilastri tecnici fondamentali:

Integrazione della Differenziazione Automatica (AD): Gli autori hanno integrato il motore PyTorch in SQcircuit. Per superare il limite per cui le librerie AD standard non supportano i gradienti per autovalori e autovettori di matrici sparse, hanno introdotto un nodo computazionale personalizzato all'interno del grafo computazionale di PyTorch. Questo nodo utilizza la teoria delle perturbazioni del primo ordine per calcolare analiticamente le derivate degli autovalori ( $f_i$ ) e degli autovettori ( $|f_i\rangle$ ) rispetto ai parametri del circuito ( $x$ ):
$\frac{\partial f_i}{\partial x} = \langle f_i | \frac{\partial \hat{H}}{\partial x} | f_i \rangle$
$\frac{\partial |f_i\rangle}{\partial x} = \sum_{m \neq i} \frac{\langle f_m | \frac{\partial \hat{H}}{\partial x} | f_i \rangle}{f_i - f_m} |f_m\rangle$
Ciò consente al framework di calcolare i gradienti di funzioni di perdita arbitrarie costruite a partire dagli elementi del circuito e dall'eigensistema del circuito stesso.
Pipeline di Ottimizzazione Robusta: Gli autori hanno sviluppato una pipeline utilizzando l'algoritmo di ottimizzazione BFGS (quasi-Newton) con ripartenze casuali (random restarts) per navigare nel panorama non convesso della funzione di perdita. Le caratteristiche chiave di questa pipeline includono:
- Assegnazione Automatica della Troncatura: Un algoritmo che assegna dinamicamente i numeri di troncamento dello spazio di Hilbert per i modi armonici e di carica in base ai tassi di decadimento degli autovettori e alle stime della larghezza dello stato fondamentale. Ciò garantisce che le risorse computazionali siano allocate efficientemente ai modi che richiedono una risoluzione maggiore.
- Test di Convergenza: Un test rigoroso per verificare che gli autovalori e gli autovettori si siano stabilizzati rispetto ai numeri di troncatura scelti prima di procedere con i calcoli del gradiente.
- Riparametrizzazione: I valori degli elementi del circuito sono ottimizzati in uno spazio logaritmico e privo di unità per gestire l'ampio intervallo dinamico dei parametri fisici (ad esempio, da femtofarad a picofarad) e prevenire il malcondizionamento del panorama della funzione di perdita.
Scoperta di Qubit come Caso di Studio: Il framework è stato applicato alla scoperta di design per qubit singoli. La ricerca è stata formulata come un problema di ottimizzazione vincolata che massimizza il numero di gate single-qubit eseguibili ( $N = T \times G$ ), dove $T$ è il tempo di decoerenza e $G$ è il limite superiore della velocità del gate. Sono stati imposti vincoli sulla sensibilità al flusso ( $S_\phi$ ), sulla sensibilità di carica ( $S_n$ ) e sulla sensibilità degli elementi agli errori di fabbricazione ( $S_e$ ) utilizzando funzioni di perdita "hinge" per penalizzare le violazioni.

Contributi Principali
Il documento delinea quattro contributi primari:

Estensione di SQcircuit: Il pacchetto è stato potenziato con capacità di differenziazione automatica per calcolare i gradienti di metriche arbitrarie rispetto ai valori degli elementi del circuito, inclusa la nuova implementazione dei gradienti di autovalore/autovettore per Hamiltoniane sparse.
Pipeline di Ottimizzazione: Una pipeline robusta per la scoperta di circuiti utilizzando l'ottimizzazione BFGS, che richiede solo la definizione di una funzione di perdita adeguata.
Troncatura Automatica e Convergenza: Implementazione di un'assegnazione automatica dei numeri di troncamento dello spazio di Hilbert e di test di convergenza della diagonalizzazione, affrontando colli di bottiglia significativi nei processi di ricerca.
Metriche di Prestazione: Introduzione di metriche specifiche per confrontare i design dei qubit basandosi sull'implementabilità in laboratorio (sensibilità) e sul conteggio totale dei gate, applicate per esplorare esaustivamente diverse topologie di circuiti a singolo anello.

Risultati
Il framework è stato utilizzato per scoprire design di qubit che superano i corrispondenti nella letteratura esistente in metriche specifiche:

Miglioramenti nel Conteggio dei Gate: I circuiti ottimizzati hanno mostrato miglioramenti nella misura euristica del conteggio dei gate ( $N$ ) rispetto ai qubit esistenti. Ad esempio, i circuiti "JL" (simili al fluxonium) ottimizzati hanno dimostrato conteggi di gate un ordine di grandezza superiori rispetto al heavy fluxonium e ai design di Pop's fluxonium.
Riduzione della Sensibilità: I circuiti "JL" ottimizzati hanno mostrato una sensibilità significativamente inferiore alle variazioni di flusso esterno rispetto all'heavy fluxonium, mitigando una fonte primaria di dephasing.
Esplorazione della Topologia: La pipeline ha esplorato varie topologie (ad esempio, "JJ", "JL", "JJJ", "JLJL"). Sebbene alcuni design ottimizzati (come "JLL" o "JL(JC)") inizialmente sembrassero promettenti, il processo di ottimizzazione li ha spesso ridotti a circuiti efficaci più semplici e noti (ad esempio, cortocircuitando gli induttori per tornare al fluxonium). Tuttavia, la topologia "JJJ" ha prodotto un design con un conteggio di gate un ordine di grandezza superiore rispetto al flux qubit e al quantronium, con autovettori simili a transmon bidimensionali localizzati nel minimo del potenziale.
Confronto: I qubit scoperti sono stati messi in scala rispetto a design stabiliti (ad esempio, Sycamore transmon, heavy fluxonium, flux qubit) utilizzando una metrica unificata di conteggio dei gate, tempo di decoerenza e limiti superiori della velocità del gate.

Significato e Rivendicazioni
Gli autori affermano che questo lavoro fornisce un approccio universale applicabile ad arbitrarie topologie di circuiti quantistici superconduttori, andando oltre le strategie di ottimizzazione specifiche per problema che richiedono di ricominciare da zero. Dimostrando che l'ottimizzazione basata sul gradiente può essere implementata efficientemente per questi sistemi, il framework snellisce il processo di progettazione.

Il documento inquadra modestamente la sua importanza come dimostrazione di una metodologia generale. Sebbene presentato attraverso l'ottimizzazione dei qubit, gli autori dichiarano che il framework è versatile e può essere esteso ad altre sfide nella progettazione di hardware quantistico superconduttore, come il design di coupler, sensori quantistici e trasduttori. Il lavoro non pretende di aver risolto tutte le sfide di ottimizzazione dell'hardware quantistico, ma piuttosto di fornire un set di strumenti scalabili e automatizzati che accelerano l'esplorazione dello spazio di progettazione. Gli autori notano limitazioni, tra cui la restrizione a circuiti con fino a quattro nodi a causa dei vincoli di memoria computazionale e la semplificazione dei limiti di velocità dei gate trascurando le forze di accoppiamento e specifici vincoli di controllo.

Articoli simili