論文の概要: Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation
- arxiv url: http://arxiv.org/abs/2607.02289v1
- Date: Thu, 02 Jul 2026 15:06:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.880586
- Title: Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation
- Title（参考訳）: ボソニック量子計算のためのSRFキャビティとトランスモンのニューラルネットワーク逆設計
- Authors: Joseph Yaker, Jovan Markovic, Alessandro Reineri, Doga Murat Kurkcuoglu, Silvia Zorzetti,
- Abstract要約: 3次元超伝導ラジオ周波数(SRF)キャビティは、非常に長寿命の電磁モードを提供する。
このようなシステムの逆設計、すなわち特定の電磁的およびカップリングターゲットを生成するデバイスジオメトリは、一般に1対多の問題である。
設計スタックの相補的なレベルで、この逆設計問題に対処する2つのディープニューラルネットワーク(DNN)アプローチを提案する。
- 参考スコア（独自算出の注目度）: 36.94429692322632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Three-dimensional superconducting radio-frequency (SRF) cavities provide exceptionally long-lived electromagnetic modes and, when coupled to nonlinear elements such as transmon qubits, become promising architectures for bosonic quantum information processing. The inverse design of such systems, i.e., recovering device geometries that produce specified electromagnetic and coupling targets, is generally a one-to-many problem. The qubit-cavity coupling strength depends sensitively on both the transmon geometry and its position within the cavity's electromagnetic field. As these systems scale up and their design parameter spaces grow, the cost of conventional iterative simulation becomes prohibitive. We present two deep neural network (DNN) approaches that address this inverse-design problem at complementary levels of the design stack. The first proposes SRF cavity geometries that produce target cavity observables. The second proposes transmon qubit designs that produce target qubit-cavity parameters -- the coupling rate, qubit frequency, and anharmonicity $(g, ν_q, α)$. The recovered candidate designs match the targets to within $\sim$5\% (cavity) and $\sim$2\% (transmon), confirmed by end-to-end re-simulation. Both approaches map desired device behavior directly to candidate designs, a fast alternative to the iterative simulation studies usually required.
- Abstract（参考訳）: 3次元超伝導電波周波数(SRF)キャビティは、極端に長寿命の電磁モードを提供し、トランスモン量子ビットのような非線形要素と結合すると、ボゾン量子情報処理のための有望なアーキテクチャとなる。
このようなシステムの逆設計、すなわち特定の電磁的およびカップリングターゲットを生成するデバイスジオメトリは、一般に1対多の問題である。
クビット-キャビティ結合強度は、トランスモン幾何とキャビティの電磁場内の位置の両方に敏感に依存する。
これらのシステムのスケールアップと設計パラメータ空間の増大に伴い、従来の反復シミュレーションのコストは禁じられている。
設計スタックの相補的なレベルで、この逆設計問題に対処する2つのディープニューラルネットワーク(DNN)アプローチを提案する。
第一に、目標空洞を観測できるSRF空洞測地を提案する。
第二に、ターゲットのqubit-cavityパラメータ(結合率、qubit frequency、およびアンハーモニシティ$(g, ν_q, α)$)を生成するトランモン量子ビット設計を提案する。
復元された候補設計は、目標を$\sim$5\%(キャビティ)と$\sim$2\%(トランスモン)で一致させ、エンドツーエンドの再シミュレーションによって確認された。
どちらのアプローチも、望まれるデバイス動作を、通常必要とされる反復シミュレーション研究の高速な代替である候補設計に直接マッピングする。
関連論文リスト
- An Iterative Dual-Channel Neural Quantum State Algorithm for Selected Configuration Interaction [3.013377814843082]
我々は,古典的に訓練された自己回帰型変圧器ニューラル量子状態を,サンプルベース量子対角化の繰り返しサンプル-対角化-更新フレームワークに組み込むHandover Iterative Neural Quantum State (HI-NQS)アルゴリズムを導入する。
HI-NQSは試験された全てのシステムに対して化学的精度を達成し、最小の活性空間を除いて、従来の CIPSI ベースの SCI よりもかなり有利である。
論文 参考訳（メタデータ） (2026-06-25T08:47:04Z) - Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。
我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
論文 参考訳（メタデータ） (2026-02-18T10:20:50Z) - Quantum Algorithm Framework for Phase-Contrast Transmission Electron Microscopy Image Simulation [0.16114012813668935]
本稿では、位相コントラスト透過電子顕微鏡(CTEM)画像形成をシミュレーションするための量子アルゴリズムフレームワークを提案する。
このフレームワークは、CTEM理論から量子回路への物理地上マッピングを提供する。
論文 参考訳（メタデータ） (2026-02-13T20:26:27Z) - Genetic Transformer-Assisted Quantum Neural Networks for Optimal Circuit Design [3.6953740776904924]
我々はGTQNN(Genematic Transformer Assisted Quantum Neural Networks)を紹介する。
GTQNNは、トランスフォーマーエンコーダと浅い変動量子回路を組み合わせたハイブリッド学習フレームワークである。
4つのベンチマークの実験では、GTQNNは最先端の量子モデルの状態と一致するか超えている。
論文 参考訳（メタデータ） (2025-06-10T19:49:21Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - High fidelity two-qubit gates on fluxoniums using a tunable coupler [47.187609203210705]
超伝導フラクソニウム量子ビットは、大規模量子コンピューティングへの道のトランスモンに代わる有望な代替手段を提供する。
マルチキュービットデバイスにおける大きな課題は、スケーラブルなクロストークのないマルチキュービットアーキテクチャの実験的なデモンストレーションである。
ここでは、可変カプラ素子を持つ2量子フッソニウム系量子プロセッサを提案する。
論文 参考訳（メタデータ） (2022-03-30T13:44:52Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - Autoencoder-driven Spiral Representation Learning for Gravitational Wave
Surrogate Modelling [47.081318079190595]
オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。
ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。
スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
論文 参考訳（メタデータ） (2021-07-09T09:03:08Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Metamodel Based Forward and Inverse Design for Passive Vibration
Suppression [2.6774008509840996]
周期的メタマテリアルは、同じ単位細胞の自己複製鎖ではなく、異なる構造ブロック(細胞)から構成される構造システムを表す。
本稿では,1次元メタマテリアルシステム,すなわちドリルストリングに適用した設計自動化フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-29T18:11:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。