🔬 natuurkunde

Component-Level Inverse Design of Transmon Qubits Using Neural Networks

Dit artikel presenteert een op neurale netwerken gebaseerde inverse design-workflow die doel-Hamiltoniaanparameters direct naar geometrieën van transmon-qubit-lay-outs mapt, waarbij een hoge nauwkeurigheid wordt bereikt die vergelijkbaar is met fabricageonzekerheden, terwijl versnellingen van wel $4,6 \times 10^7$ keer ten opzichte van conventionele elektromagnetische simulaties worden geleverd, zelfs met kleine trainingsdatasets.

Oorspronkelijke auteurs: Olivia Seidel, Firas Abouzahr, Abhishek Chakraborty, Sadman Ahmed Shanto, Saikat Das, Daniel Baxter, Jonathan Asaadi, Nicola Pancotti, Haoyu Yang, Brucek Khailany, Sara Sussman, Enectali Figueroa-Feli

Gepubliceerd 2026-10-14

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Olivia Seidel, Firas Abouzahr, Abhishek Chakraborty, Sadman Ahmed Shanto, Saikat Das, Daniel Baxter, Jonathan Asaadi, Nicola Pancotti, Haoyu Yang, Brucek Khailany, Sara Sussman, Enectali Figueroa-Feliciano, Eli M Levenson-Falk, Taylor L. Patti

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het bouwen van een kwantumcomputer is als het proberen af te stemmen van een radio zonder draaiknop, waarbij het station dat je wilt horen afhangt van de exacte vorm van de antenne. In de wereld van supergeleidende kwantumcircuits zijn de fundamentele bouwstenen minuscule circuits die qubits worden genoemd, die fungeren als de processors voor deze machines. Om ze te laten werken, moeten ingenieurs de fysieke lay-out van metaal en isolatoren op een chip ontwerpen, zodat het circuit op een zeer specifieke frequentie trilt en op een precieze manier functioneert. Traditioneel gezien is het vinden van de juiste vorm voor deze circuits een traag, frustrerend proces. Ontwerpers schetsen een lay-out, draaien een complexe computersimulatie om te zien hoe elektriciteit door de lay-out stroomt, en raden vervolgens hoe ze de tekening moeten aanpassen om het gewenste resultaat te bereiken. Ze herhalen deze cyclus keer op keer, een methode die enorme hoeveelheden rekenkracht en menselijke tijd opslokt, waarbij vaak slechts kleine verbeteringen worden geboekt.

Een team onderzoekers heeft nu een manier gedemonstreerd om dit proces om te draaien. In plaats van een vorm te raden en het resultaat te controleren, hebben ze een computersysteem getraind om met het gewenste resultaat te beginnen en direct terug te werken naar de vorm die dat resultaat creëert. Gebruikmakend van een dataset van ongeveer 1.900 bestaande ontwerpen, hebben ze een neuraal netwerk geleerd om specifieke doelgedragingen direct te koppelen aan de fysieke afmetingen van een transmon-qubit, een veelvoorkomend type supergeleidend circuit. Het systeem leerde de exacte lengte van metaalstrips en de tussenruimte tussen hen te voorspellen die nodig zijn om een doel frequentie en een specifieke maat van stabiliteit, bekend als anharmoniciteit, te bereiken. Bij tests produceerde de nieuwe methode 97 procent van de tijd bruikbare ontwerpen, met fouten die zo klein zijn dat ze vergelijkbaar zijn met de natuurlijke variaties die in het fabricageproces zelf worden gevonden.

De kern van deze prestatie ligt in een slimme tweestaps-trainingsstrategie die een groot probleem bij reverse engineering oplost. Meestal, wanneer je een computer vraagt om een vorm te vinden voor een specifiek elektrisch gedrag, is er vaak meer dan één correct antwoord; veel verschillende lay-outs kunnen hetzelfde resultaat produceren. Als een computer probeert dit te leren door simpelweg vormen aan doelstellingen te koppelen, raakt hij vaak in de war en middelt hij de antwoorden, wat een ontwerp oplevert dat helemaal niet werkt. Om dit te voorkomen, trainden de onderzoekers eerst een "surrogaat"-model om te fungeren als een snelle, nauwkeurige simulator. Deze surrogaat leerde het elektrische gedrag van elke gegeven vorm bijna onmiddellijk te voorspellen. Vervolgens bevroren ze deze surrogaat en gebruikten ze deze om het inverse model te trainen. In plaats van het nieuwe ontwerp te vergelijken met een lijst van correcte vormen, vergeleek het systeem het voorspelde elektrische gedrag van het nieuwe ontwerp met de doelstelling. Als het gedrag onjuist was, paste het systeem de vorm aan. Dit stelde het netwerk in staat om de complexe relatie tussen geometrie en fysica te leren zonder verdwaald te raken in de verwarring van meerdere mogelijke oplossingen.

De resultaten laten zien dat deze aanpak niet alleen nauwkeurig maar ook ongelooflijk snel is. Een traditionele simulatie om een enkel ontwerp te controleren duurt ongeveer twee minuten op een standaardcomputer. De nieuwe neurale netwerk-pipeline kan een kandidaat-ontwerp genereren en valideren in ongeveer 60 milliseconden op dezelfde hardware. Wanneer het systeem ontwerpen in grote batches verwerkt, daalt de tijd per ontwerp tot slechts enkele microseconden. Dit vertegenwoordigt een versnelling van miljoenen keren ten opzichte van de oude methode. De onderzoekers ontdekten dat het systeem goed werkt, zelfs met een relatief kleine dataset van minder dan 2.000 monsters, wat suggereert dat deze techniek geen enorme hoeveelheden data vereist om effectief te zijn. Sterker nog, de fouten in de voorspelde ontwerpen waren vaak kleiner dan de onzekerheid die wordt geïntroduceerd door het fysieke fabricageproces, wat betekent dat de voorspellingen van de computer net zo goed zijn als de beste simulaties die momenteel beschikbaar zijn.

Dit werk demonstreert dat component-niveau inverse design een praktisch hulpmiddel is voor het versnellen van de creatie van kwanthardware. Het systeem genereerde succesvol nieuwe lay-outs die verschilden van de oorspronkelijke trainingsvoorbeelden, maar toch precies de beoogde prestaties behaalden. Dit bewijst dat het model de onderliggende fysica heeft geleerd in plaats van alleen eerdere tekeningen te hebben onthouden. Hoewel de huidige studie zich richtte op een specifiek type transmon-lay-out, is de methode generiek en zou deze toegepast kunnen worden op andere kwantumapparaten. Door een trage, iteratieve gokmethode te veranderen in een directe berekening, biedt deze aanpak een krachtige nieuwe manier om de designruimte van kwantumcomputers te verkennen, waardoor ingenieurs potentieel duizenden ideeën kunnen testen in de tijd die voorheen nodig was om er één te testen.

Technische Samenvatting: Component-niveau Inverse Design van Transmon Qubits met behulp van Neurale Netwerken

Probleemstelling
Het systematisch ontwerpen van supergeleidende qubits, in het bijzonder transmons, blijft een knelpunt vanwege de afhankelijkheid van een heuristisch, forward-loop proces. Ontwerpers schetsen doorgaans een lay-out, simuleren deze met rekenintensieve eindelement elektromagnetische (EM) solvers, extraheren circuitparameters (capaciteit, impedantie), berekenen Hamiltonian-parameters (qubitfrequentie $f_q$ en anharmoniciteit $\alpha$ ) en passen de geometrie intuïtief aan. Deze cyclus is tijdrovend, niet-systematisch en inefficiënt, vooral omdat kleine geometrische veranderingen grote, contra-intuïtieve effecten kunnen hebben op de circuitparameters. Bovendien is het inverse probleem—het direct mappen van doel-Hamiltonian-parameters naar fysieke geometrie—ill-posed; meerdere verschillende geometrieën kunnen bijna identieke Hamiltonian-responsen opleveren. Een eenvoudig invers model dat uitsluitend getraind is op geometrische labels, kan deze incompatibele oplossingen "middelen", wat resulteert in fysiek niet-levensvatige ontwerpen.

Methodologie
De auteurs stellen een component-niveau inverse-design workflow voor die doel-Hamiltonian-parameters direct naar lay-outparameters mapt met behulp van een neuraal netwerk (NN) tandem-architectuur. De workflow wordt gedemonstreerd op een planaire "cross-claw" transmon lay-out binnen de Quantum Metal designomgeving.

Databron: De studie maakt gebruik van de SQuADDS open-source database, specifiek een subset van 1.934 cross-claw transmon monsters. De dataset koppelt drie variabele geometrische parameters (klauwlengte, grondafstand en cross-lengte) aan Hamiltonian-parameters ( $f_q$ en $\alpha$ ), waarbij de Josephson-energie ( $E_J$ ) vaststaat op 10 nH.
Tandem-architectuur: Om de ill-posed aard van het inverse probleem aan te pakken, gebruiken de auteurs een twee-fasen netwerk:
- Forward Surrogate: Een Multi-Layer Perceptron (MLP) wordt eerst getraind om de mapping van geometrische parameters naar Hamiltonian-parameters ( $f_q, \alpha$ ) te benaderen. Dit model wordt na training bevroren.
- Invers Model: Een tweede, compacte MLP mapt de doel-Hamiltonian-parameters terug naar de drie geometrische parameters.
Trainingsstrategie: Het inverse model wordt getraind door de voorspelde geometrieën door de bevroren forward surrogate te sturen. De loss wordt berekend in de Hamiltonian-ruimte (door de gereconstrueerde $f_q, \alpha$ van de surrogate te vergelijken met de doel- $f_q, \alpha$ ) in plaats van in de geometrische ruimte. Dit zorgt ervoor dat het inverse model geometrieën leert produceren die voldoen aan de fysieke beperkingen van de doel-Hamiltonian, waardoor het middelen van incompatibele oplossingen wordt voorkomen.
Normalisatie: Min-max normalisatie wordt toegepast op zowel de inputs als de outputs met gebruik van enkel de distributie van de trainingsset om data leakage te voorkomen.

Belangrijkste Bijdragen

Efficiënte Forward Surrogate: Ontwikkeling van een MLP-surrogate in staat om $f_q$ en $\alpha$ te voorspellen vanuit geometrie met hoge nauwkeurigheid (gemiddelde fouten van respectievelijk 0,136% en 0,293%) met slechts ~1.000 trainingssamples.
Inverse-Design Workflow: Demonstratie van een tandem inverse pipeline die doel-Hamiltonian-parameters mapt naar geldige cross-claw transmon geometrieën met een mediane fout van 0,53% voor $f_q$ en 1,14% voor $\alpha$ .
Small-Data Scaling Analyse: Een rigoureuze analyse die aantoont dat de methodologie zeer data-efficiënt is, met prestaties die een plateau bereiken na ongeveer 50% van de beschikbare trainingsdata te hebben gebruikt, wat suggereert dat de resterende fout te wijten is aan de dekking van de designruimte in plaats van aan het datavolume.
Runtime Benchmarking: Uitgebreide snelheid-benchmarking die de neurale pipeline vergelijkt met conventionele EM solvers (Ansys Q3D).

Resultaten

Nauwkeurigheid: Bij validatie tegen een conventionele EM solver produceerden 97% van de 100 gegenereerde ontwerpen bruikbare geometrieën (3 faalden door geometrische lay-outregels zoals metaaloverlap). Voor de 97 geldige ontwerpen bereikte de pipeline gemiddelde procentuele fouten van 0,73% voor de qubitfrequentie en 1,58% voor de anharmoniciteit. Deze fouten zijn vergelijkbaar met of lager dan de verwachte fabricage- en simulatie-naar-meting onzekerheden voor academische-proces transmons.
Snelheidswinst:
- Een enkele conventionele EM capaciteitsextractie duurt ongeveer 2 minuten.
- Een enkele query van de inverse-plus-surrogate pipeline duurt ~60 ms op een CPU (een ~2.000× versnelling).
- Wanneer gebatcht (grootte 2048), daalt de inferentietijd naar 3,1 µs per sample op CPU en 2,6 µs per sample op GPU, wat een versnelling van respectievelijk $3,9 \times 10^7$ en $4,6 \times 10^7$ vertegenwoordigt ten opzichte van een enkele CPU EM-extractie.
Generatieve Capaciteit: Het model genereert succesvol nieuwe, geldige lay-outs die verschillen van de trainingsreferenties en die aan de doel-Hamiltonian voldoen, wat de bekwaamheid aantoont om te navigeren door de "one-to-many" natuur van de inverse mapping.
Stress-testen: Een nearest-neighbor stress test op 50.000 willekeurige geometrieën toonde aan dat de surrogate langzamer degradeert met afstand van de trainingsdata dan een eenvoudige nearest-neighbor baseline, wat bevestigt dat het model een vloeiende empirische benadering van de geometrie-naar-Hamiltonian map leert.

Significantie en Claims
De auteurs beweren dat deze component-niveau inverse design workflow de conventionele EM-simulatie effectief uitbreidt en complementeert. De primaire significantie ligt in de mogelijkheid om snel kandidaat-ontwerpen te genereren en te screenen, waardoor de design-loop wordt verkort van uren van iteratieve simulatie naar milliseconden. De auteurs benadrukken dat de bereikte nauwkeurigheid voldoende is voor praktische designdoeleinden, aangezien de fout van het model vergelijkbaar is met de inherente onzekerheden van de fabricage- en simulatiestack. Zij merken op dat verdere reducties in model-error moeilijk te verifiëren zouden zijn experimenteel zonder significante verbeteringen in de fabricage-uniformiteit. De workflow wordt gepresenteerd als een data-efficiënte oplossing die geschikt is voor kleine datasets (~1.000 samples) en is ontworpen om generiek te zijn, toepasbaar op elke designtool die geparametriseerde lay-outgeneratie ondersteunt, met toekomstige potentie voor expansie naar complexere gekoppelde systemen en qubit-modaliteiten.

Meer zoals dit