基于梯度的优化能自动完成超导量子比特设计与发现吗？

计算的是电路本征系统的梯度，而不只是能量

论文要解决的是一个技术障碍。超导电路的哈密顿量是一个大型稀疏矩阵，其矩阵元取决于结能、电容、电感、外部通量等物理元件。设计量子比特，就是选择这些元件取值，使跃迁频率、矩阵元、退相干时间等派生量达到理想结果。基于梯度的优化需要这些量对每个元件的导数，而对于大型稀疏矩阵的本征向量，标准自动微分库并不能直接给出这种导数。

该框架的做法是：在 SQcircuit 内部把本征系统导数实现为一个自定义计算节点，并把软件包的引擎从 NumPy 切换为 PyTorch。完成这一步后，任何写成标量指标的电路属性都可以通过反向传播求导。论文自带的教程示例让这一操作变得具体：定义一个 transmon，其中 12 fF 的电容被标记为需要梯度跟踪，10 GHz 的结不跟踪；对角化之后，调用 backward() 即可得到矩阵元 g10 = (1/C)|⟨f1|Q̂|f0⟩| 对电容的梯度。所得梯度的单位是属性单位除以元件单位，此处即矩阵元每法拉。

有两处实现细节会影响读者理解后面的数字。本征向量梯度的精度随保留的本征态数目变化，因此截断并不是中性的记账选择。另外，由于一阶导数由自定义节点实现，PyTorch 无法自动把它们串成二阶导数；作者为退相干时间梯度单独增加了一个节点，因为该梯度依赖哈密顿量的二阶导数。正因如此，这个框架才能优化退相干时间，而不只是优化频率。

截断分配决定哪些电路结果可信

对角化电路哈密顿量需要对每个模式的希尔伯特空间做截断。论文把总截断数 K 当作希尔伯特空间大小的代理指标，并说明把 K 平均分配给各谐波模式可能失败：在一个 K = 3000 的例子中，平均分配为 h1 = h2 = 14 时，衰减较慢的模式没有收敛；而按启发式重新分配为 h1 = 4、h2 = 71 后，同样的预算得到了收敛的通量谱。

该启发式方法通过抽样验证：对多种类型的 100 个随机电路，在 "JLL" 和 "JLJL" 拓扑上、在一系列 K 值下，比较平均分配与启发式分配下收敛电路的比例。启发式分配得到更高的收敛比例，并在很大一类电路上达到 100% 收敛。两种方案中电荷模式都采用相同的平均分配，因此这一比较隔离出的正是谐波模式分配的影响。

这不是次要细节。流程对拓扑的搜索依赖于对抽到的任何电路都能可靠地完成对角化；论文为每种拓扑确定 K 的方法是：先初始化 100 个随机电路，再选取使这 100 个电路全部收敛的最小截断数，较大的四节点电路所需的最大 K 为 1.6×10^4。如果一个设计看起来好，只是因为它的谱尚未收敛，那就是一次虚假发现，因此收敛测试本身就是结果的一部分，而不是附录里的形式步骤。

优化目标是带敏感性惩罚的门数代理指标

被优化的量不是单一物理测量值，而是一个复合损失函数。估计门数 N 是主要指标，它取决于另外两个量：退相干时间 T 和门速度上界 G，因此门数相同的点构成 GT 的等值线。G 和 T 都更高的比特，在 N 上得分更好。

由于只看 N 会奖励那些快而相干、但很脆弱的设计，损失函数还加入了对以下敏感性的惩罚：外部通量、电荷和电路元件变化；最大容差分别设为 S*φ = 0.1、S*n = 0.02、S*e = 0.1，损失权重为 βφ = βn = βe = βf = 1。优化在斯坦福的 Sherlock 集群上对每个电路实例运行 100 步 BFGS。

元件取值不是直接优化的。由于电容可能从皮法跨到飞法，作者把每个元件 x 通过一个对数尺度的角度 αx（介于 0 与 2π 之间）重新参数化，使取值保持在制造边界内，同时让优化地形条件更好。读者把优化后的元件取值与文献器件比较时应注意：报告的数字是一次受约束搜索的端点，而不是自由浮动的最优值。

重现 transmon 是流程的有效性检验

优化器按预期工作的最清晰证据来自最简单的拓扑。"JJ" 电路由两个约瑟夫森结构成一个电感环路，并由一个电容并联，可以解析处理。搜索找到了两个这样的比特。"JJ 1" 工作在接近零的外部通量处，两个结几乎相等（EJ1 = 1.15 GHz，EJ2 = 1.04 GHz），并联电容很大，为 101 fF；论文将其解读为对 transmon 的重现。

"JJ 2" 是更有信息量的例子。它工作在 φ*ext = π，这对 transmon 来说是一个不常见、通常对通量敏感的工作点；但优化器选择了非对称的结（EJ1 = 6.79 GHz，EJ2 = 1.00 GHz，C = 38.1 fF），降低了该处的通量敏感性。这说明流程在做设计工作，而不只是模式匹配：它找到了一个在标准器件无法满足敏感性惩罚的点上满足该惩罚的配置。

两个优化后的 "JJ" 比特，其门数都比 Sycamore transmon（EJ1 = EJ2 = 18.0 GHz，C = 108 fF）高一个数量级。作者明确把这一比较定位为各拓扑内在潜力的比较，并指出 Sycamore 可能针对双比特门等其他功能做过优化。这一限定应随数字一起理解：门数差距并不表示已制造出的 Sycamore 级器件被超越。

在这一目标下，fluxonium 类电路胜出

"JL" 拓扑由一个结、一个超电感和一个电容构成，其中包含 fluxonium。优化后的 "JL" 电路，其门数比 Pop 等人的 fluxonium 和 heavy fluxonium 都高一个数量级；论文还预测它们在工作点处对外部通量明显更不敏感。其元件取值与文献器件差异显著："JL 1" 使用 EJ = 6.86 GHz、L = 1.61 µH、C = 9.76 fF，"JL 2" 使用 EJ = 4.26 GHz、L = 1.83 µH、C = 8.08 fF，而 heavy fluxonium 为 EJ = 3.39 GHz、L = 1.23 µH、C = 40.4 fF。

通量敏感性这一结论更具实质意义。论文指出，heavy fluxonium 的指标意味着较高的门数，但它受通量敏感性困扰，而损失函数会惩罚这一点；优化后的 "JL" 电路避开了这一惩罚，论文还把它们的通量谱与 heavy fluxonium 并列绘制，以显示在工作通量点处敏感性降低。作者称由此得到的元件取值范围此前未被研究过。

论文对这次搜索的总结是：在所考虑的目标函数下，fluxonium 具有最好的整体属性。这一说法针对的是这个损失函数、这些元件边界和这些拓扑，而不是对量子比特架构的一般性排序。

优化在何处止步于真实器件之前

门速度上界 G 由各态之间的频率间隔构成，不包含它们之间的耦合强度；作者指出，在驱动功率受限时耦合强度至关重要。它也没有计入控制约束和驱动源引起的泄漏。因此，该框架中的高 G 只意味着能级间隔有利，并不表示已经演示了可工作的门。

搜索空间本身受三方面限制，这些限制塑造了上述每一项结果。电路被限制在四个节点以内，因为内存需求随节点数指数增长；作者提出张量网络表示可能是一种补救。逻辑态被假定编码在基态和第一激发态中，排除了玻色编码或双轨编码。元件取值被约束在依据制造能力设定的范围内。

"JJJ" 的结果说明了另一层实际限制：对三结拓扑的 100 个实例做优化时，最终损失对初始采样参数敏感，相当多数收敛到次优值，最佳电路以红色实线示于虚线表示的次优电路之中。这里的梯度下降找到的是良好的局部最优，而非保证的全局最优；这与论文自身的表述一致：非凸损失函数使全局最优难以求得。

把门数提升理解为拓扑潜力

论文最具决策相关性的结论是比较性且有条件的：对于一个在估计门数与通量、电荷、元件敏感性之间加权的损失函数，fluxonium 类的 "JL" 电路表现最好，优化器还找到了现有 fluxonium 和 heavy fluxonium 器件所用范围之外的元件取值。其支撑机制是具体的：在工作点处降低通量敏感性，靠的是结的非对称性和重新参数化的元件搜索，而不是新的物理要素。

使用这些数量级门数比较的正确方式，是把它理解为各拓扑在该目标下能支持什么，正如作者对 Sycamore 比较的定位。一旦把耦合强度、驱动引起的泄漏和读出纳入建模，优化后的 "JL" 设计是否仍保持优势，论文自身的限制并未回答，也没有报告任何已制造的器件。

这项工作确实确立的是：梯度机制具有通用性。本征系统导数、为退相干单独实现的二阶导数节点，以及考虑收敛性的截断方案，都绑定于 SQcircuit 的电路表示，而不是专门针对量子比特；作者提出可把同一流程用于耦合器、读出、门实现、传感器和换能器。可迁移的成果是这套优化循环，量子比特排序只是它的首次演示。

本文引用的文献