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

Resumo Técnico: Projeto Inverso de Redes Neurais para Cavidades SRF e Transmons para Computação Quântica Bosônica

Definição do Problema
O projeto de cavidades de radiofrequência supercondutoras (SRF) acopladas a qubits transmons para computação quântica bosônica envolve um problema inverso complexo: recuperar geometrias de dispositivos que produzam alvos eletromagnéticos (EM) e de acoplamento específicos. Este mapeamento é geralmente um-para-muitos, o que significa que múltiplas geometrias podem produzir respostas semelhantes ou, inversamente, encontrar a geometria específica para uma resposta alvo não é trivial. À medida que os espaços de parâmetros de projeto escalam, o custo das simulações iterativas convencionais (ex: usando COMSOL ou HFSS) torna-se proibitivo. Especificamente, a força de acoplamento entre um qubit e uma cavidade depende sensivelmente tanto da geometria do transmon quanto de sua posição dentro do campo EM da cavidade. Métodos de otimização tradicionais, como a determinação de forma baseada em adjuntos ou buscas evolutivas, frequentemente ajustam apenas um subconjunto de parâmetros EM e têm dificuldade com a dependência não linear e de alta dimensão dos parâmetros do Hamiltoniano dispersivo em relação à geometria do dispositivo.

Metodologia
Os autores propõem duas abordagens complementares de redes neurais profundas (DNN) para abordar este problema de projeto inverso em diferentes níveis da pilha de design. O fluxo de trabalho segue um modelo orientado por dados: amostragem de geometrias candidatas, avaliação via simulação de elementos finitos para gerar um conjunto de dados rotulado, treinamento de uma DNN para inverter o mapa direto (geometria $\to$ resposta) e validação das previsões via re-simulação de ponta a ponta.

1. Projeto Inverso de Geometria de Cavidade:

   • Objetivo: Gerar geometrias de cavidades SRF que produzam observáveis de cavidade alvo.
   • Entradas: Dois tipos de DNNs foram treinadas. A primeira recebe a largura de banda da banda de passagem tipo TM$_{010}$ (diferença de frequência entre modos específicos) como entrada. A segunda recebe um perfil de campo $E_z$ axial de cinco pontos na localização provável do qubit como entrada.
   • Saídas: Geometrias de parede da cavidade parametrizadas por splines cúbicas. Para cavidades multicélulas (tipo TESLA), a saída define pontos de controle para o contorno meridional; para cavidades cilíndricas, define pontos de controle e comprimento.
   • Dados de Treinamento: 2.000 geometrias multicélulas e 2.000 cilíndricas foram amostradas e simuladas no COMSOL.
   • Arquitetura: Redes feed-forward com ativações ReLU. A rede de entrada de frequência utiliza uma expansão polinomial da entrada, enquanto a rede de entrada de campo processa o vetor de 5 pontos diretamente.

2. Projeto Inverso de Transmon:

   • Objetivo: Gerar designs de qubits transmon que produzam parâmetros qubit-cavidade alvo.
   • Entradas: Parâmetros alvo $(g, \nu_q, \alpha)$, representando a taxa de acoplamento, a frequência do qubit vestido e a anharmonicidade. Notavelmente, a interação cross-Kerr $\chi_{0m}$ é excluída como entrada porque é algebricamente dependente dos outros parâmetros no regime dispersivo e varia ordens de magnitude, tornando-a um alvo de regressão ruim.
   • Saídas: Três variáveis de design do transmon: profundidade de inserção da junção ($z_{trans}$), indutância de Josephson ($L_J$) e largura do pad de derivação ($w_{pad}$).
   • Dados de Treinamento: 981 pontos de dados "limpos" derivados de simulações de modo próprio no HFSS processados através do framework pyEPR. Um filtro baseado em física removeu "soluções ruins" (ex: mistura de modos ou quebra da aproximação dispersiva).
   • Arquitetura: Uma rede feed-forward totalmente conectada mapeando os 3 parâmetros de entrada para as 3 variáveis de design.

Principais Contribuições

• Projeto Inverso de Duplo Nível: O trabalho apresenta um pipeline completo de projeto inverso cobrindo tanto a estrutura macroscópica da cavidade quanto os parâmetros microscópicos do qubit, abordando toda a pilha de design para sistemas cQED 3D.
• Integração com Pipelines de Caracterização: A DNN do transmon é treinada diretamente em parâmetros extraídos via o método da Razão de Participação de Energia (EPR) (implementado no pyEPR). Isso incorpora o modelo de aprendizado de máquina dentro do fluxo de trabalho padrão de caracterização de dispositivos quânticos, invertendo efetivamente o conjunto de interações de auto-Kerr e cross-Kerr dependentes da geometria.
• Tratamento de Mapeamentos Um-para-Muitos: Ao treinar em distribuições específicas de geometrias viáveis, as redes determinísticas feed-forward aprendem a selecionar um único ramo de solução viável para um dado alvo, evitando a ambiguidade inerente ao problema inverso dentro do espaço de design amostrado.

Resultos

• Desempenho da Cavidade:
  • A DNN de largura de banda da banda de passagem recuperou geometrias correspondentes às larguras de banda alvo com erro de ~5%. A rede focou em características dominantes (ex: raios de íris) enquanto variava detalhes geométricos menos críticos.
  • A DNN de campo $E_z$ alcançou maior fidelidade, correspondendo ao perfil de campo de entrada ponto a ponto com erro de ~4%.
  • A re-simulação de ponta a ponta no COMSOL confirmou esses resultados.
• Desempenho do Transmon:
  • A DNN do transmon alcançou um erro quadrático médio relativo (RRMSE) de 1,81 ± 0,96% em 15 embaralhamentos (shuffles) aleatórios de treino/teste, com um melhor caso atingindo 0,72%.
  • A validação de ponta a ponta envolveu a re-simulação dos designs previstos pela DNN no HFSS com extração via pyEPR. Os parâmetros recuperados $(g, \nu_q, \alpha)$ desviaram dos alvos em no máximo ~2% (especificamente ~1,6% para $\alpha$, ~1% para $g$, e ~0,5% para $\nu_q$).
  • O modelo generalizou com sucesso através de diferentes regimes operacionais, desde aplicações de armazenamento longo (baixo cross-Kerr) até controle rápido (alto cross-Kerr).

Significância e Alegações
O artigo afirma que estas abordagens de DNN fornecem uma alternativa rápida aos estudos de simulação iterativos tipicamente exigidos para projetar hardware quântico supercondutor. Ao mapear o comportamento desejado do dispositivo diretamente para designs candidatos, o método evita a necessidade de varreduras manuais repetidas de parâmetros, que podem levar minutos por iteração e acumular-se ao longo de muitos ciclos.

Os autores posicionam este trabalho dentro da direção "IA para o quântico", enfatizando sua utilidade à medida que os dispositivos quânticos escalam e seus espaços de parâmetros se expandem. A abordagem é apresentada como um método para adaptar conjuntos de portas universais a aplicações específicas através de co-design hardware-software. Os autores observam que, embora o trabalho atual utilize redes determinísticas que produzem uma única solução, extensões futuras poderiam empregar arquiteturas generativas ou invertíveis para lidar com casos onde múltiplem geometrias viáveis existem para um único alvo, oferecendo assim uma gama mais ampla de opções de design para diferentes regimes de acoplamento (ex: favorecendo armazenamento de vida longa vs. controle rápido).