🔬 物理学

Component-Level Inverse Design of Transmon Qubits Using Neural Networks

本文提出了一种基于神经网络的反向设计工作流，该工作流能够将目标哈密顿量参数直接映射到超导跨子比特（transmon qubit）的布局几何结构，在实现与制造不确定性相当的高精度的同时，即使使用较小的训练数据集，其速度也比传统的电磁仿真快了高达 $4.6 \times 10^7$ 倍。

原作者： Olivia Seidel, Firas Abouzahr, Abhishek Chakraborty, Sadman Ahmed Shanto, Saikat Das, Daniel Baxter, Jonathan Asaadi, Nicola Pancotti, Haoyu Yang, Brucek Khailany, Sara Sussman, Enectali Figueroa-Feli

发布于 2026-10-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Olivia Seidel, Firas Abouzahr, Abhishek Chakraborty, Sadman Ahmed Shanto, Saikat Das, Daniel Baxter, Jonathan Asaadi, Nicola Pancotti, Haoyu Yang, Brucek Khailany, Sara Sussman, Enectali Figueroa-Feliciano, Eli M Levenson-Falk, Taylor L. Patti

原始论文采用 CC BY 4.0 许可（https://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

建造量子计算机就像是在尝试调校一台没有旋钮的收音机，你想要听到的电台取决于天线的精确形状。在超导量子电路的世界里，基本构建模块是被称为量子比特（qubit）的微型电路，它们充当这些机器的处理器。为了让它们发挥作用，工程师必须设计芯片上金属和绝缘体的物理布局，使电路以非常特定的频率振动并表现出精确的行为方式。传统上，寻找这些电路的正确形状是一个缓慢且令人沮丧的过程。设计者绘制一个布局，运行复杂的计算机模拟来观察电流如何在其中流动，然后猜测如何修改图纸以获得想要的结果。他们一遍又一遍地重复这个循环，这种方法消耗了大量的计算能力和人力时间，且往往只能带来微小的改进。

现在，一组研究人员展示了一种将这一过程颠倒过来的方法。与其猜测一个形状并检查结果，不如训练一个计算机系统，从期望的结果开始，立即反向推导出产生该结果的形状。他们利用一个包含约 1,900 个现有设计的数据库，训练了一个神经网络，使其能够将特定的目标行为直接映射到跨子量子比特（transmon qubit，一种常见的超导电路类型）的物理尺寸上。该系统学会了预测实现目标频率和一种被称为“非谐性”（anharmonicity）的特定稳定性指标所需的金属条精确长度及它们之间的间距。在测试中，这种新方法在 97% 的情况下都能产生可用的设计，且误差极小，与制造过程中产生的自然偏差相当。

这项成就的核心在于一种巧妙的两步训练策略，它解决了一个逆向工程中的主要问题。通常，当你要求计算机为一个特定的电学行为寻找形状时，往往存在多个正确答案；许多不同的布局可以产生相同的结果。如果计算机试图通过简单地将形状与目标进行匹配来学习，它往往会感到困惑并对答案取平均值，从而创造出一个完全无法工作的设计。为了避免这种情况，研究人员首先训练了一个“代理”（surrogate）模型，使其作为一个快速、准确的模拟器。这个代理模型学会了几乎瞬间预测任何给定形状的电学行为。随后，他们固定了这个代理模型，并利用它来训练逆向模型。系统不再是将新设计与一份正确的形状列表进行对比，而是将新设计的预测电学行为与目标进行比较。如果行为不正确，系统就会调整形状。这使得网络能够学习几何形状与物理学之间复杂的关系，而不会迷失在多种可能解带来的混乱之中。

结果表明，这种方法不仅准确而且速度极快。在标准计算机上，使用传统模拟来检查单个设计大约需要两分钟。而新的神经网络流水线在相同的硬件上，生成并验证一个候选设计仅需约 60 毫秒。当系统批量处理设计时，每个设计的处理时间降至仅几微秒。与旧方法相比，这代表了数百万倍的加速。研究人员发现，即使使用少于 2,000 个样本的相对较小的数据集，该系统也能表现良好，这表明该技术并不需要海量数据即可奏效。事实上，预测设计的误差通常小于物理制造过程引入的不确定性，这意味着计算机的预测与目前最优秀的模拟结果一样出色。

这项工作证明了组件级逆向设计是加速量子硬件创建的一种实用工具。该系统成功生成了与原始训练样本不同、但仍能达到精确目标性能的新颖布局。这证明了该模型学习的是底层的物理学，而非仅仅记忆之前的图纸。虽然目前的研究侧重于一种特定类型的跨子布局，但该方法具有通用性，可以应用于其他量子器件。通过将一个缓慢、迭代的猜测游戏转变为直接计算，这种方法为探索量子计算机的设计空间提供了一种强大的新途径，潜在地允许工程师在过去测试一个想法的时间内，测试数千个想法。

技术摘要：基于神经网络的跨子组件级超导 Transmon 量子比特逆向设计

问题陈述
超导量子比特（特别是 Transmon）的系统化设计仍然是一个瓶颈，因为它依赖于一种启发式的、前向循环的过程。设计者通常先绘制布局草图，使用计算密集型的有限元电磁（EM）求解器进行模拟，提取电路参数（电容、阻抗），进而计算哈密顿量参数（量子比特频率 $f_q$ 和非谐性 $\alpha$ ），然后凭直觉调整几何结构。这一循环耗时且缺乏系统性，且效率低下，尤其是考虑到微小的几何变化可能会产生巨大且违反直觉的电路参数影响。此外，逆向问题——即将目标哈密顿量参数直接映射到物理几何结构——是一个病态问题（ill-posed）；多个不同的几何结构可能产生几乎相同的哈密顿响应。仅针对几何标签进行训练的简单逆向模型可能会“平均化”这些不兼容的解，从而产生物理上不可行的设计。

方法论
作者提出了一种组件级逆向设计工作流，通过使用神经网络（NN）串联架构将目标哈密顿量参数直接映射到布局参数。该工作流在 Quantum Metal 设计环境中的平面“十字爪式”（cross-claw）Transmon 布局上进行了演示。

数据来源： 本研究利用了 SQuADDS 开源数据库，具体使用了 1,934 个十字爪式 Transmon 样本的子集。该数据集将三个可变几何参数（爪长、接地间距和十字长度）与哈密顿量参数（ $f_q$ 和 $\alpha$ ）联系起来，其中约瑟夫森能（ $E_J$ ）固定为 10 nH。
串联架构： 为了解决逆向问题的病态性质，作者采用了两阶段网络：
- 前向代理模型（Forward Surrogate）： 首先训练一个多层感知器（MLP）来近似从几何参数到哈密顿量参数（ $f_q, \alpha$ ）的映射。该模型在训练后被冻结。
- 逆向模型（Inverse Model）： 第二个紧凑的 MLP 将目标哈密顿量参数映射回三个几何参数。
训练策略： 逆向模型的训练通过将其预测的几何结构传递给冻结的前向代理模型来实现。损失函数是在哈密顿空间中计算的（比较代理模型重建的 $f_q, \alpha$ 与目标 $f_q, \alpha$ ），而不是在几何空间中计算。这确保了逆向模型学习的是能够满足目标哈密顿物理约束的几何结构，从而避免了不兼容解的平均化问题。
归一化： 仅使用训练集分布对输入和输出进行最大最小归一化（Min-max normalization），以防止数据泄露。

核心贡献

高效的前向代理模型： 开发了一种能够从几何参数预测 $f_q$ 和 $\alpha$ 的 MLP 代理模型，仅使用约 1,000 个训练样本即可实现高精度（平均误差分别为 0.136% 和 0.293%）。
逆向设计工作流： 演示了一个串联逆向管线，该管线能将目标哈密顿量参数映射为有效的十字爪式 Transmon 几何结构，其 $f_q$ 的中值误差为 0.53%， $\alpha$ 的中值误差为 1.14%。
小数据规模分析： 一项严谨的分析表明，该方法具有高度的数据效率，其性能在使用了约 50% 的可用训练数据后趋于平稳，这表明剩余的误差源于设计空间的覆盖范围而非数据量。
运行时间基准测试： 对比了该神经网络管线与传统 EM 求解器（Ansys Q3D）的全面加速分析。

结果

准确性： 在针对传统 EM 求解器的验证中，生成的 100 个设计中有 97% 产生了可用的几何结构（有 3 个因金属重叠等几何布局规则而失败）。对于这 97 个有效设计，该管线实现的平均百分比误差为量子比特频率 0.73% 和非谐性 1.58%。这些误差与学术级工艺 Transmon 器件固有的制造及模拟-测量不确定性相当或更低。
加速比：
- 单次传统的 EM 电容提取大约需要 2 分钟。
- 运行一次“逆向+代理”管线的查询在 CPU 上仅需 ~60 毫秒（约 2,000 倍加速）。
- 当进行批量处理（规模为 2048）时，推理时间在 CPU 上降至 3.1 µs/样本，在 GPU 上降至 2.6 µs/样本，相对于单次 CPU EM 提取，分别实现了 $3.9 \times 10^7$ 和 $4.6 \times 10^7$ 倍的加速。
生成能力： 该模型成功生成了与训练参考集不同的、满足目标哈密顿量的全新有效布局，展示了其导航“一对多”逆向映射的能力。
压力测试： 对 50,000 个随机几何结构进行的最近邻压力测试显示，代理模型在远离训练数据时的退化速度比简单的最近邻基准模型更慢，证实了该模型学习到了几何到哈密顿量映射的一个平滑经验近似。

意义与主张
作者声称，这种组件级逆向设计工作流有效地扩展并补充了传统的 EM 模拟。其主要意义在于能够快速生成和筛选候选设计，将设计循环从数小时的迭代模拟缩短至毫秒级。作者强调，所达到的精度足以满足实际设计需求，因为模型的误差与制造和模拟堆栈的固有不确定性相当。他们指出，如果不显著改善制造均匀性，进一步降低模型误差将难以通过实验验证。该工作流被呈现为一种适用于小数据集（~1,000 个样本）的高效数据方案，并旨在具有通用性，适用于任何支持参数化布局生成的工具，未来有望扩展到更复杂的耦合系统和量子比特模态。

类似论文