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

기술 요약: 초전도 양자 회로의 경사 기반 최적화를 위한 일반 프레임워크

문제 정의
양자 시스템의 해밀토니안(Hamiltonian)을 설계하는 것은 새로운 성능 목표를 달 achievements 하거나 새로운 기능을 실현하는 데 있어 근본적인 요소입니다. 초전도 양자 회로는 해밀토니안 설계에 상당한 유연성을 제공하지만, 회로가 커지고 복잡해짐에 따라 수동 설계 과정은 점점 더 어려워지고 있습니다. 기존 소프트웨어 패키지들은 분석을 용이하게 하지만, 설계 과정을 본질적으로 자동화하지는 못합니다. 더욱이, 이러한 시스템을 최적화하려면 시스템 특성(예: 커패시턴스, 인덕턴스, 조셉슨 접합 에너지)에 대한 대규모 희소 해밀토니안 행렬의 고윳값(eigenvalues) 및 고유벡터(eigenvectors)의 그래디언트(gradient)를 계산해야 합니다. 임의의 시스템에 대해 이러한 그래디언트를 계산하는 것은 상당한 계산적 과제이며, 특히 표준 자동 미분(AD) 도구들이 희소 행렬 고유 시스템의 그래디언트를 지원하지 못하는 경우가 많기 때문입니다. 결과적으로, 설계 최적화는 계산 비용이 많이 드는 제로 차수 방법(예: 진화 전략, 베이지안 최적화)에 의존하게 됩니다.

방법론
저자들은 오픈 소스 Python 패키지인 SQcircuit을 활용하고 확장하여, 초전도 양자 회로의 경사 기반 최적화를 위한 포괄적인 프레임워크를 제시합니다. 이 방법론은 세 가지 핵심 기술적 축을 기반으로 구축되었습니다:

1. 자동 미분(AD)의 통합: 저자들은 PyTorch 엔진을 SQcircuit에 통합했습니다. 표준 AD 라이브러리가 희소 행렬의 고윳값 및 고유벡터에 대한 그래디언트를 지원하지 못하는 한계를 극복하기 위해, PyTorch 계산 그래프 내에 커스텀 계산 노드를 도입했습니다. 이 노드는 1차 섭동 이론(first-order perturbation theory)을 사용하여 회로 파라미터($x$)에 대한 고윳값($f_i$)과 고유벡터($|f_i\rangle$)의 미분값을 해석적으로 계산합니다:
   $$\frac{\partial f_i}{\partial x} = \langle f_i | \frac{\partial \hat{H}}{\partial x} | f_i \rangle$$
   $$\frac{\partial |f_i\rangle}{\partial x} = \sum_{m \neq i} \frac{\langle f_m | \frac{\partial \hat{H}}{\partial x} | f_i \rangle}{f_i - f_m} |f_m\rangle$$
   이를 통해 프레임워크는 회로 요소와 회로의 고유 시스템으로부터 구성된 임의의 손실 함수(loss function)에 대한 그래디언트를 계산할 수 있습니다.

2. 강건한 최적화 파이프라인: 저자들은 비볼록(non-convex) 손실 지형을 탐색하기 위해 무작위 재시작(random restarts)을 포함한 BFGS(준 뉴턴) 최적화 알고리즘을 사용하는 파이프라인을 개발했습니다. 이 파이내의 주요 특징은 다음과 같습니다:

   • 자동 절단 할당(Automatic Truncation Assignment): 고조파 및 전하 모드의 고유벡터 감쇠율과 바닥 상태 폭 추정치를 기반으로 힐베르트 공간의 절단 번호를 동적으로 할당하는 알고리즘입니다. 이는 높은 해상도가 필요한 모드에 계산 자원이 효율적으로 할당되도록 보장합니다.
   • 수렴 테스트: 그래디언트 계산을 진행하기 전에 선택된 절단 번호에 대해 고윳값과 고유벡터가 안정화되었는지 확인하는 엄격한 테스트를 수행합니다.
   • 재매개변수화(Reparameterization): 넓은 물리적 파라미터 범위(예: 펨토패럿에서 피코패럿까지)를 다루고 손실 지형의 악조건(ill-conditioning)을 방지하기 위해 회로 요소 값을 로그 단위의 무차원 공간에서 최적화합니다.

3. 큐비트 발견 사례 연구: 프레임워크는 단일 큐비트 설계를 발견하는 데 적용되었습니다. 탐색은 실행 가능한 단일 큐비트 게이트의 수($N = T \times G$)를 최대화하는 제약 조건이 있는 최적화 문제로 정식화되었습니다. 여기서 $T$는 결맞음 시간(decoherence time)이고 $G$는 게이트 속도의 상한입니다. 플럭스 민감도($S_\phi$), 전하 민감도($S_n$), 그리고 제작 오차에 대한 소자 민감도($S_e$)에 대한 제약 조건은 위반을 처벌하는 힌지 손실(hinge loss) 함수를 사용하여 부과되었습니다.

주요 기여
이 논문은 네 가지 주요 기여를 설명합니다:

1. 확장된 SQcircuit: 희소 해밀토니안에 대한 고윳값/고유벡터 그래디언트를 포함하여, 회로 요소 값에 대한 임의의 메트릭의 그래디언트를 계산할 수 있도록 자동 미분 기능을 갖춘 패키지를 강화했습니다.
2. 최적화 파이프라인: 적절한 손실 함수 정의만 있으면 되는, BFGS 최적화를 사용하는 견고한 회로 발견 파이프라인을 제공합니다.
3. 자동 절단 및 수렴: 힐베르트 공간 절단 번호의 자동 할당과 대각화 수렴 테스트를 구현하여 탐색 과정의 중요한 병목 현상을 해결했습니다.
4. 성능 메트릭: 실험실 구현 가능성(민감도) 및 총 게이트 수를 기준으로 큐비트 설계를 비교하기 위한 특정 메트릭을 도입하였으며, 이를 단일 루프 회로 토폴로지를 철저히 탐색하는 데 적용했습니다.

결과
프레임-워크는 기존 문헌의 대응물보다 특정 메트릭에서 뛰어난 성능을 보이는 큐비트 설계를 발견하는 데 사용되었습니다:

• 게이트 수 개선: 최적화된 회로는 기존 큐비트들에 비해 휴리스틱 척도인 게이트 수($N$)에서 개선을 보였습니다. 예를 들어, 최적화된 "JL"(fluxonium 유사) 회로는 헤비 플럭소니움(heavy fluxonium) 및 Pop의 플럭소니움 설계보다 10배 높은 게이트 수를 나타냈습니다.
• 감도 감소: 최적화된 "JL" 회로는 헤비 플럭소니움에 비해 외부 플럭스 변화에 대한 민감도가 현저히 낮아, 디페이징(dephasing)의 주요 원인을 완화했습니다.
• 토폴로지 탐색: 파이프라인은 다양한 토폴로지(예: "JJ", "JL", "JJJ", "JLJL")를 탐색했습니다. "JLL" 또는 "JL(JC)"와 같은 일부 최적화된 설계는 처음에 유망해 보였으나, 최적화 과정에서 인덕터를 단락시켜 플럭소니움으로 되돌리는 것과 같이 알려진 더 단순한 유효 회로로 축소되는 경우가 많았습니다. 그러나 "JJJ" 토폴로지는 플럭스 큐비트와 퀀트로니움(quantronium)보다 10배 높은 게이트 수를 가진 설계를 산출했으며, 이는 퍼텐셜 최소점에 국부화된 2차원 트랜스몬 유사 고유벡터를 특징으로 합니다.
• 비교: 발견된 큐비트들은 게이트 수, 결맞음 시간, 게이트 속도 상한이라는 통일된 메트릭을 사용하여 확립된 설계들(예: Sycamore 트랜스몬, 헤비 플럭소니움, 플럭스 큐비트)과 벤치마킹되었습니다.

의의 및 주장
저자들은 이 작업이 처음부터 다시 시작해야 하는 문제별 최적화 전략을 넘어, 임의의 초전도 양자 회로에 적용 가능한 보편적인 접근 방식을 제공한다고 주장합니다. 이 시스템에 대해 경사 기반 최적화가 효율적으로 구현될 수 있음을 입증함으로써, 프레임워크는 설계 과정을 간소화합니다.

논문은 이 연구의 의의를 일반적인 방법론의 시연으로서 겸허하게 설정합니다. 큐비트 최적화를 통해 입증되었지만, 저자들은 이 프레임워크가 커플러 설계, 양자 센서, 트랜스듀서와 같은 초전도 하드웨어 설계의 다른 과제에도 확장될 수 있는 다재다능한 도구라고 밝히고 있습니다. 이 작업은 모든 최적화 문제를 해결했다고 주장하는 것이 아니라, 설계 공간의 탐색을 가속화하는 확장 가능한 자동화 도구 세트를 제공하는 것입니다. 저자들은 계산 메모리 제한으로 인한 최대 4개 노드까지의 회로 제한과, 결합 강도 및 특정 제어 제약을 무시한 게이트 속도 상한의 단순화라는 한계점도 언급하였습니다.