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

技术摘要：用于玻色量子计算的 SRF 超导腔与 Transmon 量子比特的神经网络逆向设计

问题陈述
为用于玻色量子计算的超导射频（SRF）腔与 Transmon 量子比特的耦合设计，涉及一个复杂的逆向问题：即恢复能够产生特定电磁（EM）和耦合目标的器件几何结构。这种映射通常是“一对多”的，这意味着多种几何结构可能产生相似的性能，或者反之，寻找特定响应对应的几何结构并非易事。随着设计参数空间的扩大，传统的迭代仿真（例如使用 COMSOL 或 HFSS）的成本变得难以承受。具体而言，量子比特与腔之间的耦合强度高度依赖于 Transmod 的几何形状及其在腔内电磁场中的位置。传统的优化方法（如基于伴随法的形状确定或进化搜索）通常只能调节一部分电磁参数，且难以处理色散哈密顿量参数对器件几何形状的高维、非线性依赖关系。

方法论
作者提出了两种互补的深度神经网络（DNN）方法，用于在设计的不同层级解决这一逆向设计问题。工作流程遵循数据驱动模板：采样候选几何结构，通过有限元仿真评估它们以生成标记数据集，训练 DNN 来反转前向映射（几何 $\to$ 响应），并通过端到端重仿真进行验证。

1. 腔体几何逆向设计：

   • 目标： 生成能够产生目标腔体观测值的 SRF 腔几何结构。
   • 输入： 训练了两种类型的 DNN。第一种以 TM$_{010}$-类带通带宽（特定模式之间的频率差）作为输入。第二种以位于预期量子比特位置处的五点轴向 $E_z$ 场剖面作为输入。
   • 输出： 以三次样条曲线参数化的腔壁几何结构。对于多胞（TESLA 类）腔，输出定义了经向轮廓的控制点；对于圆柱形腔，则定义了控制点和长度。
   • 训练数据： 通过 COMSOL 采样并模拟了 2,000 个多胞几何结构和 2,000 个圆柱形几何结构。
   • 架构： 使用 ReLU 激活函数的全连接前馈网络。频率输入网络对输入进行多项式展开，而场输入网络直接处理 5 点向量。

2. Transmon 逆向设计：

   • 目标： 生成能够产生目标量子比特-腔体参数的 Transmon 量子比特设计。
   • 输入： 目标参数 $(g, \nu_q, \alpha)$，分别代表耦合率、纠缠后的量子比特频率和非谐性。值得注意的是，由于在色散机制下，交叉克尔相互作用 $\chi_{0m}$ 在代数上依赖于其他参数，且其变化量级差异巨大，因此将其排除在输入之外，因为它是一个较差的回归目标。
   • 输出： 三个 Transmon 设计变量：结插入深度 ($z_{trans}$)、约瑟夫森电感 ($L_J$) 和分路焊盘宽度 ($w_{pad}$)。
   • 训练数据： 981 个“干净”的数据点，这些数据点源自通过 pyEPR 框架处理后的 HFSS 本征模仿真结果。通过基于物理的过滤器剔除了“错误解”（例如模式混合或色散近似失效的情况）。
   • 架构： 一个将 3 个输入参数映射到 3 个设计变量的全连接前馈网络。

核心贡献

• 双层级逆向设计： 本研究展示了一个完整的逆向设计流水线，涵盖了从宏观腔体结构到微观量子比特参数的设计栈，解决了 3D cQED 系统的完整设计问题。
• 与表征流程集成： Transmon DNN 直接在通过能量参与率（EPR）方法（由 pyEPR 实现）提取的参数上进行训练。这使得机器学习模型嵌入到了标准的量子器件表征工作流中，有效地反转了依赖于几何形状的自相互作用与交叉克尔相互作用。
• 处理“一对多”映射： 通过在特定的可行几何分布上进行训练，确定性的前馈网络学会了为给定目标选择单一的可行解分支，从而避免了在采样设计空间中固有的歧义性。

结果

• 腔体性能：
  • 带通带宽 DNN 恢复的几何结构与目标带通带宽的误差在 ~5% 以内。该网络专注于主导特征（例如孔径半径），同时改变次要的几何细节。
  • $E_z$ 场 DNN 的表现更为精确，实现了输入场剖面在各点上的逐点匹配，误差在 ~4% 以内。
  • COMSOL 中的端到端重仿真证实了这些结果。
• Transmon 性能：
  • 在 15 次随机训练/测试洗牌（shuffle）中，Transmon DNN 的平均相对均方根误差（RRMSE）为 1.81 ± 0.96%，最佳洗牌情况下的误差达到了 0.72%。
  • 端到端验证涉及在 HFSS 中使用 pyEPR 提取法对 DNN 预测的设计进行重仿真。恢复的参数 $(g, \nu_q, \alpha)$ 与目标的偏差最大不超过 ~2%（具体而言，$\alpha$ 约为 1.6%，$g$ 约为 1%，$\nu_q$ 约为 0.5%）。
  • 该模型成功地在不同操作机制下实现了泛化，包括长存储（低交叉克尔）和快速控制（高交叉克尔）应用。

意义与主张
论文声称，这些 DNN 方法为设计超导量子硬件提供了快速替代方案，取代了通常在设计过程中所需的迭代仿真研究。通过直接将期望的器件行为映射到候选设计，该方法绕过了重复的手动参数扫描，而这类扫描每次迭代可能耗时数分钟，并在多个周期中不断累积。

作者将这项工作定位在“AI 用于量子（AI-for-quantum）”的方向内，强调了随着量子器件规模扩大及参数空间增加，该方法的实用价值。该方法被呈现为一种通过硬件-软件协同设计来定制特定应用通用门集的手段。作者指出，虽然目前的工作使用的是产生单一解的确定性网络，但未来的扩展可以采用生成式或可逆架构，以处理针对单一目标存在多个可行几何结构的情况，从而为不同的耦合机制（例如倾向于长寿命存储 vs. 快速控制）提供更广泛的设计选择。