近日，清华大学集成电路学院刘玉玺教授团队提出“基于图神经网络的超导量子电路可扩展参数设计”(Scalable Parameter Design for Superconducting Quantum Circuits with Graph Neural Networks)，于7月22日发表在国际著名期刊《物理学评论快报》（Physical Review Letters）杂志。
量子计算被视为下一代计算技术的重要方向，尤其是超导量子计算系统，因其快速发展和出色的表现，成为量子计算的主要候选平台之一。然而，随着超导量子芯片规模的快速增长，芯片参数的传统手动优化设计变得极为复杂，亟需新的自动化设计方法。
针对这一挑战，清华大学集成电路学院刘玉玺教授研究团队创新性地提出利用图神经网络的可扩展特性，开发了一种被比喻为“三阶梯扩展（three-stair scaling）”的算法。该算法涉及三种不同规模的超导量子电路。在大约包含6量子比特的小规模超导量子电路上，研究团队通过数值模拟产生数据集，继而，根据该数据集通过有监督学习的方式训练误差评估模型（evaluator）；由于超导量子电路误差的局域性质和误差评估模型的特殊结构，该模型可以直接应用于更大规模的超导量子电路。接下来，在包含大约50至100量子比特的中等规模超导量子电路上，研究团队利用误差评估模型得到的误差，采用无监督学习的模式训练了参数设计模型（designer）；参数设计模型是基于图卷积神经网络的，因而可以直接被应用于大规模超导量子电路。
图1. 算法总览。可以看到，论文提出的算法通过两个神经网络模型，实现了小规模-中等规模-大规模超导量子电路的“三阶梯放缩”，最终实现对大规模超导量子电路的参数设计。
研究成果表明，相比现有的国际先进算法，本研究新提出的算法在优化性能、设计效率和扩展能力等方面均表现出显著优势。例如，在包含约870个量子比特的大规模超导量子芯片上，所提出的算法能在27秒内达到Snake算法51%的量子串扰误差，而后者需耗时90分钟。Snake算法是量子计算的全球引领者Google公司开发和使用的算法，被用于其2019年宣称实现“量子优越性”的著名超导量子计算机“Sycamore”中。
图2. 结果对比。图a为最终得到的误差，蓝色代表的本算法取得了良好的效果；图b为所消耗的时间，蓝色代表的本算法有着巨大的效率优势。两图均在对数坐标上绘制。
这一创新算法不仅为超导量子计算的实际应用提供了强有力的工具，还为人工智能技术在量子计算硬件层面的应用开辟了全新路径，推动了超导量子计算芯片设计的进一步自动化和智能化。相关代码已在GitHub上公开，为国际同行提供了重要的参考和共享资源。
论文的第一作者是清华大学集成电路学院2021级博士生艾浩，通讯作者是刘玉玺教授，清华大学集成电路学院是论文的唯一单位。该项目得到科技创新2030—“量子通信与量子计算机”重大项目的支持。
原文链接
https://doi.org/10.1103/yr9d-7z8k
