🔬 applied physics

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

Este artigo apresenta uma estrutura de otimização abrangente, baseada em gradiente, integrada ao software SQcircuit que automatiza o design de circuitos quânticos supercondutores ao computar eficientemente gradientes de autovetores e autovalores, demonstrando com sucesso sua capacidade de descobrir novas arquiteturas de qubits com métricas de desempenho superiores em comparação aos designs existentes.

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

Publicado 2026-10-07

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Construir um computador quântico é como tentar sintonizar um rádio em uma única estação perfeita enquanto se está parado em meio a uma tempestade de estática. Os dispositivos que guardam a informação nessas máquinas, chamados qubits, são incrivelmente frágeis. Eles são construídos a partir de minúsculos loops de fios supercondutores que transportam eletricidade sem resistência, mas são tão sensíveis que até mesmo um sussurro de calor ou um campo magnético errante podem embaralhar seus dados. Por décadas, cientistas projetaram esses circuitos manualmente, ajustando o tamanho de capacitores e a força de junções magnéticas à mão, esperando encontrar uma combinação que mantivesse o qubit estável tempo suficiente para realizar um trabalho útil. É um processo lento, de tentativa e erro, muito parecido com tentar encontrar a receita perfeita provando cada variação possível de um ingrediente. O objetivo é sempre o mesmo: criar um qubit que possa realizar milhões de cálculos antes de perder sua informação, tudo isso resistindo ao ruído do ambiente de laboratório.

Uma equipe de pesquisadores da Universidade de Stanford desenvolveu agora uma nova maneira de acelerar essa busca. Em vez de adivinhar e verificar, eles construíram uma estrutura digital que utiliza uma poderosa ferramenta matemática para projetar automaticamente circuitos supercondutores melhores. Eles trataram o processo de design como um problema que poderia ser resolvido por um computador aprendendo com seus próprios erros. Ao conectar seu software de simulação de circuitos a um sistema capaz de calcular como pequenas mudanças na forma de um circuito afetam seu desempenho, eles criaram um ciclo de feedback. O computador propunha um design, calculava o quão bem ele funcionaria e, em seguida, ajustava imediatamente o design para melhorá-lo, repetindo esse ciclo milhares de vezes até encontrar uma configuração que fosse muito superior a qualquer coisa que os humanos tivessem construído anteriormente.

Os pesquisadores aplicaram este método à tarefa específica de descobrir novos tipos de qubits. Eles deixaram o computador à solta em uma vasta paisagem de possíveis formas de circuitos, variando de loops simples a arranjos mais complexos com múltiplas junções e capacitores. O computador recebeu um conjunto claro de objetivos: maximizar o número de operações que o qubit pode realizar antes de falhar, garantindo ao mesmo tempo que ele permanecesse insensível a flutuações em campos magnéticos e cargas elétricas. Ele também foi instruído a permanecer dentro dos limites físicos do que pode ser realmente fabricado em um laboratório, como os menores e maiores tamanhos para os componentes. O sistema explorou milhões de possibilidades, descartando designs que eram muito sensíveis ao ruído ou muito lentos, e refinando aqueles que mostravam potencial.

Os resultados desta busca automatizada foram impressionantes. O computador descobriu vários novos designs de circuitos que superaram os melhores qubits atualmente em uso em termos de seu potencial teórico. Um dos designs mais bem-sucedidos, que os pesquisadores chamam de circuito "JL", mostrou um potencial para realizar mais de um milhão de operações, um salto significativo em relação às centenas de milhares alcançadas pelos existentes qubits de fluxo pesado (heavy fluxonium). Mais importante ainda, esses novos designs eram muito mais robustos contra o ruído magnético, um inimigo comum que faz com que os qubits percam seus dados. O computador descobriu que, ao equilibrar cuidadosamente o tamanho dos indutores e a força das junções, era possível criar um circuito naturalmente resistente às perturbações ambientais que costumam assolar esses dispositivos. No entanto, os pesquisadores observaram que a comparação desses qubits otimizados com os atuais pretendia apenas ressaltar o potencial inerente de cada topologia de circuito, em vez de reivindicar uma substituição direta para todo o hardware atual.

Nem todo design que o computador encontrou foi um vencedor, e o processo revelou algumas verdades interessantes sobre a natureza desses circuitos. Em alguns casos, o computador propôs estruturas complexas com muitas partes, apenas para perceber durante a otimização que o melhor desempenho vinha da remoção efetiva de algumas dessas partes. Por exemplo, um design que parecia um híbrido complicado de dois tipos diferentes de qubits acabou funcionando melhor quando uma parte do circuito foi tornada tão grande que dominou o comportamento, simplificando efetivamente todo o sistema de volta a uma forma conhecida e confiável. Isso sugere que, embora a complexidade possa oferecer novas possibilidades, as soluções mais eficazes geralmente dependem de uma arquitetura limpa e focada. Os pesquisadores também descobriram que alguns dos novos designs mais promissores possuíam propriedades que não eram apenas ligeiramente melhores, mas um nível de magnitude superior às tecnologias existentes, particularmente em quanto tempo podiam manter seu estado quântico, embora tenham observado que alguns designs otimizados acabam reduzindo-se a ou sendo quase equivalentes a qubits descobertos anteriormente com menos elementos.

A estrutura que a equipe construiu não se limita a encontrar melhores qubits. Como o sistema pode calcular como qualquer mudança em um circuito afeta seu desempenho, ele pode ser usado para resolver outros problemas de design em hardware quântico. Poderia ajudar engenheiros a criar conexões melhores entre qubits, projetar sensores mais eficientes ou construir circuitos que sejam menos propensos a erros de fabricação. A inovação fundamental é que o sistema não precisa ser ensinado as regras da física para cada novo problema; ele simplesmente precisa de uma definição do que é "bom", e usará as leis da física para encontrar o caminho para esse objetivo. Esta abordagem desloca o fardo do design da intuição humana para o poder computacional, permitindo que os pesquisadores explorem uma gama muito mais ampla de possibilidades do que era possível anteriormente.

O estudo confirma que o caminho para melhores computadores quânticos pode não residir na invenção de materiais inteiramente novos ou fenômenos físicos exóticos, mas na otimização dos circuitos que já sabemos construir. Ao deixar um computador explorar sistematicamente o espaço de todos os designs possíveis, os pesquisadores descobriram configurações que engenheiros humanos poderiam ter negligenciado. Esses novos designs não são apenas curiosidades teóricas; são arranjos específicos de capacitores, indutores e junções que podem ser construídos em um laboratório. Os pesquisadores disponibilizaram seu software e o código para seu processo de descoberta ao público, convidando outros cientistas a usar essas ferramentas para expandir os limites do que é possível. À medida que o campo da computação quântica avança, esse tipo de design automatizado pode se tornar a maneira padrão de construir a próxima geração de máquinas, transformando a arte lenta e manual do design de circuitos em uma ciência rápida e precisa.

Resumo Técnico: Um Framework Geral para Otimização Baseada em Gradiente de Circuitos Quânticos Supercondutores

Enunciado do Problema
A engenharia do Hamiltoniano de um sistema quântico é fundamental para alcançar novos objetivos de desempenho ou realizar novas funcionalidades na computação quântica. Embora os circuitos quânticos supercondutores ofereçam uma flexibilidade substancial para o design de Hamiltonianos, o processo de design manual torna-se cada vez mais difícil à medida que os circuitos crescem em tamanho e complexidade. Os pacotes de software existentes facilitam a análise, mas não automatizam inerentemente o processo de design. Além disso, a otimização desses sistemas requer o cálculo de gradientes de autovalores e autovetores de matrizes Hamiltonianas grandes e esparsas em relação às propriedades do sistema (ex: capacitância, indutância, energia da junção de Josephson). Calcular esses gradientes para sistemas arbitrários constitui um desafio computacional significativo, particularmente porque as ferramentas padrão de diferenciação automática carecem de suporte para os gradientes de sistemas de autovalores e autovetores de matrizes esparsas. Consequentemente, o design de otimização depende de métodos de ordem zero (ex: estratégias evolutivas, otimização Bayesiana), que são computacionalmente dispendiosos e carecem da eficiência das abordagens baseadas em gradiente.

Metodologia
Os autores apresentam um framework abrangente para a otimização baseada em gradiente de circuitos quânticos supercondutores, aproveitando e estendendo o pacote Python de código aberto SQcircuit. A metodologia baseia-se em três pilares técnicos centrais:

Integração de Diferenciação Automática (AD): Os autores integraram o motor PyTorch ao SQcircuit. Para superar a limitação de que as bibliotecas de AD padrão não suportam gradientes para autovalores e autovetores de matrizes esparsas, eles introduziram um nó computacional personalizado dentro do grafo computacional do PyTorch. Este nó utiliza a teoria de perturbação de primeira ordem para calcular analiticamente as derivadas dos autovalores ( $f_i$ ) e autovetores ( $|f_i\rangle$ ) em relação aos parâmetros do circuito ( $x$ ):
$\frac{\partial f_i}{\partial x} = \langle f_i | \frac{\partial \hat{H}}{\partial x} | f_i \rangle$
$\frac{\partial |f_i\rangle}{\partial x} = \sum_{m \neq i} \frac{\langle f_m | \frac{\partial \hat{H}}{\partial x} | f_i \rangle}{f_i - f_m} |f_m\rangle$
Isso permite que o framework calcule gradientes de funções de perda arbitrárias construídas a partir de elementos do circuito e do sistema de autovalores do circuito.
Pipeline de Otimização Robusto: Os autores desenvolveram um pipeline utilizando o algoritmo de otimização BFGS (quasi-Newton) com reinicializações aleatórias para navegar no landscape de perda não convexo. As principais características deste pipeline incluem:
- Atribuição Automática de Truncamento: Um algoritmo que atribui dinamicamente números de truncamento do espaço de Hilbert para modos harmônicos e de carga com base nas taxas de decaimento dos autovetores e estimativas de largura do estado fundamental. Isso garante que os recursos computacionais sejam alocados eficientemente para os modos que exigem maior resolução.
- Teste de Convergência: Um teste rigoroso para verificar se os autovalores e autovetores estabilizaram em relação aos números de truncamento escolhidos antes de proceder com os cálculos de gradiente.
- Reparametrização: Os valores dos elementos do circuito são otimizados em um espaço logarítmico e adimensional para lidar com a ampla faixa dinâmica dos parâmetros físicos (ex: femtofarads a picofarads) e evitar o mau condicionamento do landscape de perda.
Descoberta de Qubits como Estudo de Caso: O framework foi aplicado à descoberta de designs de qubit único. A busca foi formulada como um problema de otimização restrita maximizando o número de portas de qubit único executáveis ( $N = T \times G$ ), onde $T$ é o tempo de decoerência e $G$ é o limite superior da velocidade da porta. Restrições foram impostas sobre a sensibilidade de fluxo ( $S_\phi$ ), sensibilidade de carga ( $S_n$ ) e sensibilidade do elemento a erros de fabricação ( $S_e$ ) usando funções de perda de dobradiça (hinge loss) para penalizar violações.

Principais Contribuições
O artigo descreve quatro contribuições primárias:

SQcircuit Estendido: O pacote foi aprimorado com capacidades de diferenciação automática para calcular gradientes de métricas arbitrárias em relação aos valores dos elementos do circuito, incluindo a implementação inovadora de gradientes de autovalor/autovetor para Hamiltonianos esparsos.
Pipeline de Otimização: Um pipeline robusto para a descoberta de circuitos usando otimização BFGS, exigindo apenas a definição de uma função de perda adequada.
Truncamento Automático e Convergência: Implementação de atribuição automática de números de truncamento do espaço de Hilbert e testes de convergência de diagonalização, abordando gargalos significativos nos processos de busca.
Métricas de Desempenho: Introdução de métricas específicas para comparar designs de qubits com base na implementabilidade laboratorial (sensibilidades) e contagem total de portas, aplicadas para explorar exaustivamente topologias de circuitos de loop único.

Resultos
O framework foi utilizado para descobrir designs de qubits que superam seus equivalentes na literatura em métricas específicas:

Melhorias na Contagem de Portas: Os circuitos otimizados mostraram melhorias na medida heurística de contagem de portas ( $N$ ) em comparação com qubits existentes. Por exemplo, circuitos "JL" (tipo fluxonium) otimizados demonstraram contagens de portas ordens de magnitude superiores aos designs de heavy fluxonium e Pop's fluxonium.
Redução de Sensibilidade: Os circuitos "JL" otimizados exibiram sensibilidade significativamente menor a variações de fluxo externo em comparação ao heavy fluxonium, mitigando uma fonte primária de desfasamento.
Exploração de Topologia: O pipeline explorou várias topologias (ex: "JJ", "JL", "JJJ", "JLJL"). Embora alguns designs otimizados (como "JLL" ou "JL(JC)") tenham inicialmente parecido promissores, o processo de otimização frequentemente os reduziu a circuitos efetivos mais simples e conhecidos (ex: curto-circuitar indutores para reverter ao fluxonium). No entanto, a topologia "JJJ" rendeu um design com uma contagem de portas uma ordem de magnitude superior ao flux qubit e ao quantronium, apresentando autovetores de transmon bidimensionais localizados no mínimo do potencial.
Comparação: Os qubits descobertos foram comparados com designs estabelecidos (ex: Sycamore transmon, heavy fluxonium, flux qubit) usando uma métrica unificada de contagem de portas, tempo de decoerência e limites superiores de velocidade de porta.

Significância e Alegações
Os autores afirmam que este trabalho fornece uma abordagem universal aplicável a quaisquer circuitos quânticos supercondutores, indo além de estratégias de otimização específicas para problemas que exigem começar do zero. Ao demonstrar que a otimização baseada em gradiente pode ser implementada eficientemente para estes sistemas, o framework agiliza o processo de design.

O artigo enquadra modestamente sua significância como uma demonstração de uma metodologia geral. Embora exemplificado pela otimização de qubits, os autores afirmam que o framework é versátil e pode ser estendido para outros desafios no design de hardware quântico supercondutor, como design de acopladores, sensores quânticos e transdutores. O trabalho não pretende ter resolvido todos os desafios de otimização em hardware quântico, mas sim fornecer um conjunto de ferramentas escalável e automatizado que acelera a exploração do espaço de design. Os autores observam limitações, incluindo a restrição a circuitos com até quatro nós devido a restrições de memória computacional e a simplificação dos limites de velocidade de porta ao negligenciar forças de acoplamento e restrições de controle específicas.

Mais como este