Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation

Sintesi Tecnica: Progettazione Inversa tramite Reti Neurali di Cavità SRF e Transmon per il Calcolo Quantistico Bosonico

Definizione del Problema
La progettazione di cavità a radiofrequenza superconduttrici (SRF) accoppiate a qubit transmon per il calcolo quantistico bosonico comporta un complesso problema inverso: recuperare le geometrie dei dispositivi che producono specifici obiettivi elettromagnetici (EM) e di accoppiamento. Questa mappatura è generalmente uno-a-molti, il che significa che più geometrie possono produrre prestazioni simili o, viceversa, trovare la geometria specifica per una risposta target non è banale. Man mano che gli spazi dei parametri di progettazione scalano, il costo delle simulazioni iterative convenzionali (ad esempio, utilizzando COMSOL o HFSS) diventa proibitivo. Nello specifico, la forza di accoppiamento tra un qubit e una cavità dipende sensibilmente sia dalla geometria del transmon che dalla sua posizione all'interno del campo EM della cavità. I metodi di ottimizzazione tradizionali, come la determinazione della forma basata sull'adiabatica o le ricerche evolutive, spesso regolano solo un sottoinsieme di parametri EM e faticano con la dipendenza non lineare e ad alta dimensionalità dei parametri dell'Hamiltoniana dispersiva dalla geometria del dispositivo.

Metodologia
Gli autori propongono due approcci complementari basati su reti neurali profonde (DNN) per affrontare questo problema di progettazione inversa a diversi livelli dello stack di progettazione. Il flusso di lavoro segue un modello guidato dai dati: campionamento di geometrie candidate, valutazione tramite simulazione a elementi finiti per generare un dataset etichettato, addestramento di una DNN per invertire la mappa forward (geometria $\to$ risposta) e validazione delle predizioni tramite re-simulazione end-to-end.

1. Progettazione Inversa della Geometria della Cavità:

   • Obiettivo: Generare geometrie di cavità SRF che producano target di cavità specifici.
   • Input: Sono state addestrate due tipologie di DNN. La prima riceve in input la larghezza della banda passante del tipo TM$_{010}$ (differenza di frequenza tra modi specifici). La seconda riceve in input un profilo del campo $E_z$ assiale a cinque punti nella posizione prospettica del qubit.
   • Output: Geometrie delle pareti della cavità parametrizzate tramite spline cubiche. Per le cavità multicella (tipo TESLA), l'output definisce i punti di controllo per il contorno meridionale; per le cavità cilindriche, definisce i punti di controllo e la lunghezza.
   • Dati di Addestramento: 2.000 geometrie multicella e 2.000 geometrie cilindriche sono state campionate e simulate in COMSOL.
   • Architettura: Reti feed-forward con attivazioni ReLU. La rete con input di frequenza utilizza un'espansione polinomiale dell'input, mentre la rete con input di campo elabora direttamente il vettore a 5 punti.

2. Progettazione Inversa del Transmon:

   • Obiettivo: Generare design di qubit transmon che producano parametri qubit-cavità target.
   • Input: Parametri target $(g, \nu_q, \alpha)$, che rappresentano il tasso di accoppiamento, la frequenza del qubit vestito e l'anarmonicità. In particolare, l'interazione cross-Kerr $\chi_{0m}$ è esclusa come input poiché è algebricamente dipendente dagli altri parametri nel regime dispersivo e varia di ordini di grandezza, rendendola un cattivo target di regressione.
   • Output: Tre variabili di design del transmon: profondità di inserzione della giunzione ($z_{trans}$), induttanza Josephson ($L_J$) e larghezza del pad di shunt ($w_{pad}$).
   • Dati di Addestramento: 981 punti di dati "puliti" derivati da simulazioni di autovettore HFSS elaborate attraverso il framework pyEPR. Un filtro basato sulla fisica ha rimosso i "bad solves" (ad esempio, mixing di modi o rottura dell'approssimazione dispersiva).
   • Architettura: Una rete feed-forward completamente connessa che mappa i 3 parametri di input alle 3 variabili di design.

Contributi Chiave

• Progettazione Inversa a Doppio Livello: Il lavoro presenta una pipeline completa di progettazione inversa che copre sia la struttura macroscopica della cavità che i parametri microscopici del qubit, affrontando l'intero stack di progettazione per sistemi 3D cQED.
• Integrazione con le Pipeline di Caratterizzazione: La DNN del transmon è addestrata direttamente sui parametri estratti tramite il metodo del Rapporto di Partecipazione all'Energia (EPR, implementato in pyEPR). Questo inserisce il modello di machine learning all'interno dello standard di caratterizzazione dei dispositivi quantistici, invertendo efficacementamente l'insieme delle interazioni self- e cross-Kerr dipendenti dalla geometria.
• Gestione delle Mappature Uno-a-Molti: Addestrando le reti su distribuzioni specifiche di geometrie vitali, le reti feed-forward deterministiche imparano a selezionare un singolo ramo di soluzione vitale per un dato target, evitando l'ambiguità inerente al problema inverso all'interno dello spazio di progettazione campionato.

Risultati

• Prestazioni della Cavità:
  • La DNN della larghezza della banda passante ha recuperato geometrie corrispondenti ai target della larghezza di banda entro un ~5%. La rete si è concentrata sulle caratteristiche dominanti (ad esempio, i raggi degli iris) variando al contempo i dettagli geometrici meno critici.
  • La DNN del campo $E_z$ ha ottenuto una fedeltà ancora superiore, corrispondendo al profilo di campo in input punto per punto entro il ~4%.
  • La re-simulazione end-to-end in COMSOL ha confermato questi risultati.
• Prestazioni del Transmon:
  • La DNN del transmon ha raggiunto un errore quadratico medio relativo (RRMSE) di 1,81 ± 0,96% su 15 rimescolamenti (shuffle) casuali di train/test, con un miglior caso di shuffle che ha raggiunto lo 0,72%.
  • La validazione end-to-end ha comportato la re-simulazione dei design predetti dalla DNN in HFSS con estrazione tramite pyEPR. I parametri recuperati $(g, \nu_q, \alpha)$ deviavano dai target di al massimo il ~2% (specificamente ~1,6% per $\alpha$, ~1% per $g$ e ~0,5% per $\nu_q$).
  • Il modello ha generalizzato con successo attraverso diversi regimi operativi, dalle applicazioni a lungo stoccaggio (basso cross-Kerr) a quelle a controllo rapido (alto cross-Kerr).

Significatività e Rivendicazioni
Il paper sostiene che questi approcci DNN forniscano un alternativa veloce agli studi di simulazione iterativi tipicamente richiesti per la progettazione di hardware quantistico superconduttore. Mappando il comportamento desiderato del dispositivo direttamente ai design candidati, il metodo evita la necessità di ripetuti sweep manuali dei parametri, che possono richiedere minuti per iterazione e accumularsi in molti cicli.

Gli autori posizionano questo lavoro all'interno della direzione "AI-for-quantum", enfatizzando la sua utilità man mano che i dispositivi quantistici scalano e i loro spazi di parametri si espandono. L'approccio è presentato come un metodo per adattare i set di porte universali a specifiche applicazioni attraverso la co-progettazione hardware-software. Gli autori osservano che, sebbene il lavoro attuale utilizzi reti deterministiche che producono una singola soluzione, estensioni future potrebbero impiegare architetture generative o invertibili per gestire i casi in cui esistono molteplici geometrie vitali per un singolo target, offrendo così una gamma più ampia di opzioni di progettazione per diversi regimi di accoppiamento (ad esempio, favorendo lo stoccaggio a lunga durata rispetto al controllo rapido).