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

技術要約：ボソニック量子計算のためのSRFキャビティおよびトランスモンに対するニューラルネットワークを用いた逆設計

問題提起
ボソニック量子計算のためのトランスモン量子ビットに結合された超伝導高周波（SRF）キャビティの設計には、特定の電磁（EM）および結合ターゲットを生み出すデバイス形状を復元するという、複雑な逆問題が伴う。このマッピングは一般に一対多（one-to-many）であり、つまり、複数の形状が同様の性能をもたらす可能性がある一方で、逆に、特定のターゲットとなる応答に対して特定の形状を見つけ出すことは容易ではない。設計パラメータ空間が拡大するにつれ、従来の反復シミュレーション（例：COMSOLやHFSS）のコストは膨大になる。具体的には、量子ビットとキャビティ間の結合強度は、トランスモンの形状とキャビティ内の電磁場におけるその位置の両方に敏感に依存する。アジョイント法に基づく形状決定や進化的な探索といった従来の最適化手法は、多くの場合、EMパラメータのサブセットのみを調整することに留まり、デバイス形状に対する分散型ハミルトニアン・パラメータの高次元かつ非線形な依存関係への対処に苦慮している。

手法
著者らは、設計スタックの異なるレベルにおいて、この逆設計問題に対処するための2つの補完的なディープニューラルネットワーク（DNN）アプローチを提案している。ワークフローは、データ駆動型のテンプレートに従う：候補となる形状のサンプリング、ラベル付きデータセットを生成するための有限要素シミュレーションによる評価、ターゲット応答（形状 $\to$ 応答）を反転させるためのDNNの学習、およびエンドツーエンドの再シミュレーションによる検証。

1. キャビティ形状の逆設計:

   • 目的: 特定のキャビティ観測量を生み出すSRFキャビティ形状を生成する。
   • 入力: 2種類のDNNを学習させた。第1のネットワークは、TM$_{010}$様パスバンド幅（特定のモード間の周波数差）を入力として取る。第2のネットワークは、将来的な量子ビット位置における5点の軸方向 $E_z$ 電場プロファイルを入力として取る。
   • 出力: 立方スプラインによってパラメータ化されたキャビティ壁形状。マルチセル（TESLA型）キャビティの場合、出力はメリディオナル・コンツアー（経線方向輪郭）の制御点を定義する。円筒形キャビティの場合、出力は制御点と長さを定義する。
   • 学習データ: COMSOLを用いてサンプリングおよびシミュレーションされた2,000個のマルチセル形状と2,000個の円筒形形状。
   • アーキテクチャ: ReLU活性化関数を用いたフィードフォワードネットワーク。周波数入力ネットワークは入力の多項式展開を使用し、電場入力ネットワークは5点のベクトルを直接処理する。

2. トランスモン逆設計:

   • 目的: 特定の量子ビット・キャビティ・パラメータを生み出すトランスモン量子ビット設計を生成する。
   • 入力: ターゲット・パラメータ $(g, \nu_q, \alpha)$。ここで、$g$ は結合率、$\nu_q$ はドレスド量子ビット周波数、$\alpha$ は非調和度を表す。特筆すべき点として、クロス・カー（cross-Kerr）相互作用 $\chi_{0m}$ は、分散領域においては他のパラメータに代数的に依存しており、かつ変動幅が数桁に及ぶため、回帰ターゲットとしては不適切であることから、入力から除外されている。
   • 出力: 3つのトランスモン設計変数：接合挿入深さ（$z_{trans}$）、ジョセフソン・インダクタンス（$L_J$）、およびシャントパッド幅（$w_{pad}$）。
   • 学習データ: pyEPRフレームワークを通じて処理された、HFSS固有モードシミュレーションから得られた981個の「クリーン」なデータポイント。物理ベースのフィルタリングにより、「不適切な解」（例：モード混合や分散近似の崩壊）を除去した。
   • アーキテクチャ: 3つの入力パラメータから3つの設計変数へとマッピングする、完全結合フィードフォワードネットワーク。

主な貢献

• デュアルレベル逆設計: 本研究は、マクロなキャビティ構造とミクロな量子ビットパラメータの両方をカバーする完全なパイプラインを提示しており、3D cQEDシステムにおける設計スタック全体に対処している。
• 特性評価パイプラインとの統合: トランスモンDNNは、エネルギー・パーティシペーション・レシオ（EPR）法（pyEPRで実装）を介して抽出されたパラメータを用いて直接学習されている。これにより、機械学習モデルが標準的な量子デバイスの特性評価ワークフロー内に組み込まれ、形状に依存する自己および相互のカー相互作用の逆転を効果的に実現している。
• 一対多のマッピングへの対処: 特定の実行可能な形状分布に基づいて学習することで、決定論的なフィードフォワードネットワークは、与えられたターゲットに対して単一の実行可能な解を選択することを学習し、逆問題に内在する曖昧さを回避している。

結果

• キャビティ性能:
  • パスバンド幅DNNは、ターゲットのパスバンド幅を**約5%**以内で一致する形状を復元した。ネットワークは、主要な特徴（例：アイリス半径）に焦点を当てつつ、重要度の低い幾何学的詳細を変化させていた。
  • $E_z$ 電場DNNはさらに高い忠実度を示し、入力電場プロファイルを各点において**約4%**以内で一致させた。
  • COMSOLによるエンドツーエンドの再シミュレーションは、これらの結果を裏付けている。
• トランスモン性能:
  • トランスモンDNNは、15回のランダムな訓練/テストシャッフルにおいて、**1.81 ± 0.96%の平均相対平方根二乗誤差（RRMSE）を達成し、最良のシャッフルでは0.72%**に達した。
  • エンドツーエンドの検証には、HFSSでDNN予測設計を再シミュレーションし、pyEPRで抽出するプロセスが含まれる。復元されたパラメータ $(g, \nu_q, \alpha)$ のターゲットからの偏差は、最大でも**約2%**であった（具体的には、$\alpha$ で約1.6%、$g$ で約1%、$\nu_q$ で約0.5%）。
  • モデルは、長寿命ストレージ（低クロス・カー）から高速制御（高クロス・カー）のアプリケーションに至るまで、異なる動作領域にわたって正常に汎化性能を示した。

意義と主張
本論文は、これらのDNNアプローチが、超伝導量子ハードウェアの設計に通常必要とされる反復的なシミュレーション研究に代わる高速な代替手段を提供すると主張している。望ましいデバイス挙動から候補となる設計を直接マッピングすることで、この手法は、1サイクルあたり数分を要し、多くのサイクルにわたって蓄積される手動のパラメータスイープの必要性を回避する。

著者らは、量子デバイスがスケールアップし、そのパラメータ空間が拡大するにつれてその有用性が高まるという観点から、本研究を「AI for Quantum」の方向性の中に位置づけている。このアプローチは、ハードウェアとソフトウェアの協調設計を通じて、特定のアプリケーションに合わせてユニバーサルゲートセットをカスタマイズするための手法として提示されている。著者らは、現在の研究は単一の解を生成する決定論的ネットワークを使用しているが、将来的には生成モデルや可逆的なアーキテクチャを採用することで、単一のターゲットに対して複数の実行可能な形状が存在する場合にも対応でき、異なる結合領域（例：長寿命ストレージを優先するか、高速制御を優先するか）に対してより幅広い設計オプションを提供できる可能性があると述べている。