← 最新论文
🔬 应用物理

QCap: a physics-corrected graph neural network for the capacitance matrix of any planar superconducting device layout

QCap 是一种经过物理校正的图神经网络,它通过对快速的基于物理的先验进行校正,能够快速且准确地预测任意平面超导器件布局的电容矩阵,从而在无需承担传统电磁仿真计算负担的情况下,实现大规模电路设计。

原作者: Sadman Ahmed Shanto, Saikat Das, Eli M. Levenson-Falk

发布于 2026-11-18
📖 1 分钟阅读☕ 轻松阅读

原作者: Sadman Ahmed Shanto, Saikat Das, Eli M. Levenson-Falk

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

设计驱动下一代量子计算机运行的电路是一场精妙的平衡艺术。这些机器依赖于冷却至接近绝对零度的超导回路来处理信息。为了使它们正常工作,工程师必须以极高的精度在芯片上排列微小的金属形状。这些电路的行为在很大程度上取决于一种被称为电容的特性,它描述了电荷如何在不同金属布局的部分之间存储。如果电容哪怕只有轻微偏差,量子比特(即 qubits)就无法正常工作。为了找到正确的方案,工程师传统上使用强大的计算机程序来模拟电学物理现象。然而,这些模拟过程极其缓慢。单个设计的计算可能需要数小时甚至数天,而随着电路变得越来越大、越来越复杂,所需的时间会变得如此之长,以至于实际上阻碍了研发进展。

一组研究人员开发了一种名为 QCap 的新工具,解决了这一瓶颈。该系统不再于每次设计变更时都运行缓慢的全物理模拟,而是使用机器学习模型在几秒钟内预测电路的电学特性。研究人员在数千个现有设计的基础上训练了这个模型,但有一个关键的转折点:他们并没有要求计算机从头开始学习物理定律,而是给了它一个粗略且快速的物理计算作为起点。随后,该模型仅学习为了使这个粗略的猜测与精确且缓慢的模拟结果相匹配所需要的微小修正。这种方法使得该系统可以处理任何布局,无论其包含多少个金属部件,也无论使用了什么软件进行绘图。

当观察其速度和规模化的结果时,这种方法的威力便显露无疑。在测试中,该模型仅在一部标准笔记本电脑上就用 12 秒时间预测了一个复杂的九量子比特设备的电容。而使用传统的行业标准软件执行同样的计算,则需要近 20 小时,并需要数百 GB 的计算机内存。新模型的预测精度与缓慢的模拟结果相比,误差仅为百分之零点几。更令人震惊的是,研究人员使用该工具预测了一个包含 781 个独立导体的假设性百量子比特芯片的电容。这个设备规模巨大,以至于传统软件根本无法对其进行模拟;它所需的内存将超过研究团队目前拥有的最大超级计算机的容量。然而,QCap 在笔记本电脑上仅用 3.4 分钟就计算出了这个庞大设备的完整电学图谱。

研究人员通过创建一种通用的方式,将任何电路布局描述为一个连接网络来实现这一点。他们将芯片的视觉设计转换为一组数字,这些数字描述了每个金属部件的形状及其与其他所有部件的关系。这种描述独立于特定的绘图工具,这意味着模型可以理解从未见过的设计。为了在不需要数百万个训练样本的情况下确保高精度,系统首先运行一个非常快速且简化的物理计算。这个计算并不完美,但它捕捉到了电力的基本行为。机器学习模型随后充当一个修正层,仅学习这个快速猜测与精确现实之间的微小差异。由于模型只需要学习这些细微的调整,因此它能够以极高的可靠性推广到新的、未见过的设计。

在实际应用中,这一工具改变了工程师进行电路设计的方式。以前,他们必须先猜想一个设计,运行缓慢的模拟,等待结果,然后再进行下一次猜想。这个循环可能耗时数天。有了 QCap,工程师可以生成数千个潜在设计并在几分钟内进行筛选。他们可以识别出最有潜力的候选方案,然后仅对这少数几个最优选进行缓慢且昂贵的模拟,以确认结果。研究人员通过设计特定的量子电路以满足精确的性能目标,证明了这一点。他们筛选了数千种随机变化,找到了最佳匹配项,并用传统软件进行了验证,而整个过程所花费的时间仅为模拟每一个选项所需时间的极小部分。

该研究还测试了模型在面对物理环境变化(例如硅芯片厚度的不同或材料的不同)时的表现。虽然训练数据来自具有特定厚度和材料的芯片,但只要使用更新后的新信息进行快速物理计算,该模型在这些条件发生变化时依然保持准确。这表明该模型学习的是底层的物理关系,而非仅仅是记忆训练数据。研究人员正向公众开放该模型和数据,希望能加速更大、更强大的量子处理器开发。通过消除设计的计算障碍,这项工作为构建未来量子技术所需的复杂电路提供了一条路径。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →