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

技术摘要：超导量子电路基于梯度的优化通用框架

问题陈述
设计量子系统的哈密顿量对于实现新的性能目标或实现新的功能性至关重要。虽然超导量子电路在哈密顿量设计方面提供了极大的灵活性，但随着电路变得更大、更复杂，手动设计过程变得日益困难。现有的软件工具可以辅助分析，但并不具备自动化的设计过程。此外，优化这些系统需要计算大规模稀疏哈密顿矩阵的特征值和特征向量相对于系统属性（例如电容、电感、约瑟夫森结能量）的梯度。为任意系统计算这些梯度是一个重大的计算挑战，因为标准的自动微分工具通常不支持稀疏矩阵特征系统的梯度。因此，设计优化往往依赖于零阶方法（例如进化策略、贝叶斯优化），这些方法计算成本高昂，且缺乏基于梯度方法的效率。

方法论
作者提出了一个用于超导量子电路基于梯度的优化的综合框架，该框架利用并扩展了开源的 SQcircuit Python 包。该方法建立在三个核心技术支柱之上：

1. 自动微分（AD）的集成： 作者将 PyTorch 引擎集成到 SQcircuit 中。为了克服标准 AD 库不支持稀疏矩阵特征值和特征向量梯度的限制，他们在 PyTorch 计算图中引入了一个自定义计算节点。该节点利用一阶微扰理论来解析计算特征值 ($f_i$) 和特征向量 ($|f_i\rangle$) 对电路参数 ($x$) 的导数：
   $$\frac{\partial f_i}{\partial x} = \langle f_i | \frac{\partial \hat{H}}{\partial x} | f_i \rangle$$
   $$\frac{\partial |f_i\rangle}{\partial x} = \sum_{m \neq i} \frac{\langle f_m | \frac{\partial \hat{H}}{\partial x} | f_i \rangle}{f_i - f_m} |f_m\rangle$$
   这使得该框架能够计算由电路元件及其特征系统构建的任意损失函数的梯度。

2. 鲁棒优化流水线： 作者开发了一个使用 BFGS（拟牛顿）优化算法配合随机重启的流水线，以在非凸损失景观中进行导航。该流水线的关键特性包括：

   • 自动截断分配： 一种根据特征向量衰减率和基态宽度估计来动态分配谐振模式和电荷模式希尔伯特空间截断数的算法。这确保了计算资源被有效地分配给需要更高分辨率的模式。
   • 收敛测试： 一项严格的测试，用于在进行梯度计算之前验证特征值和特征向量相对于所选截断数是否已趋于稳定。
   • 重参数化： 电路元件的值是在对数无量纲空间中进行优化的，以处理物理参数极宽的动态范围（例如从飞法拉到皮法拉），并防止损失景观出现病态情况。

3. 作为案例研究的量子比特发现： 该框架被应用于单量子比特设计的发现。搜索被表述为一个约束优化问题，旨在最大化可执行单量子比特门的数量 ($N = T \times G$)，其中 $T$ 是退相干时间，$G$ 是门速上限。通过使用铰链损失函数（hinge loss functions）施加关于磁通敏感度 ($S_\phi$)、电荷敏感度 ($S_n$) 以及元件对制造误差敏感度 ($S_e$) 的约束，以惩罚违规行为。

主要贡献
论文概述了四项主要贡献：

1. 扩展的 SQcircuit： 该软件包通过自动微分能力得到了增强，能够计算任意指标相对于电路元件值的梯度，包括针对稀疏哈密顿量的特征值/特征向量梯度的创新实现。
2. 优化流水线： 一个用于电路发现的鲁棒流水线，使用 BFGS 优化，仅需定义合适的损失函数。
3. 自动截断与收敛： 实现了希尔伯特空间截断数的自动分配和对角化收敛测试，解决了搜索过程中的重大瓶颈。
4. 性能指标： 引入了特定的指标，基于实验室可实现性（敏感度）和总门计数来比较量子比特设计，并将其应用于穷举探索单回路电路拓扑。

结果
该框架被用于发现性能优于现有文献对应设计的量子比特设计：

• 门计数改进： 与现有量子比特相比，优化后的电路在启发式门计数（$N$）指标上表现出提升。例如，优化的 “JL”（类 fluxonium）电路展示出的门计数比 heavy fluxonium 和 Pop's fluxonium 设计高出一个数量级。
• 降低敏感度： 优化的 “JL” 电路与 heavy fluxonium 相比，表现出显著更低的外部磁通变化敏感度，从而减轻了主要的退相干来源。
• 拓扑探索： 流水线探索了多种拓扑结构（例如 “JJ”、“JL”、“JJJ”、“JLJL”）。虽然一些初始看起来很有前景的优化设计（如 “JLL” 或 “JL(JC)”）在优化过程中往往会退化为已知的、更简单的有效电路（例如通过短路电感回到 fluxonium）。然而，“JJJ” 拓扑产生了一种设计，其门计数比 flux qubit 和 quantronium 高出一个数量级，具有定位于势阱最小处的二维类 transmon 特征向量。
• 对比： 使用门计数、退相干时间和门速上限的统一指标，将发现的量子比特与成熟的设计（如 Sycamore transmon、heavy fluxonium、flux qubit）进行了基准测试。

意义与主张
作者声称这项工作提供了一种适用于任意超导量子电路的通用方法，超越了需要从头开始的特定问题优化策略。通过证明基于梯度的优化可以高效地应用于这些系统，该框架简化了设计过程。

论文谦逊地将其意义定位为一种通用方法的演示。虽然通过量子比特优化进行了展示，但作者指出该框架是多功能的，可以扩展到超导硬件设计的其他挑战中，如耦合器设计、量子传感器和换能器。该工作并不声称解决了所有的优化挑战，而是提供了一个可扩展的、自动化的工具集，用以加速设计空间的探索。作者也指出了局限性，包括受限于计算内存，目前仅限于最多四个节点的电路，以及由于忽略了耦合强度和特定的控制约束而对门速边界进行的简化处理。