論文の概要: Component-Level Inverse Design of Transmon Qubits Using Neural Networks

• arxiv url: http://arxiv.org/abs/2607.20795v1
• Date: Wed, 22 Jul 2026 23:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.248787
• Title: Component-Level Inverse Design of Transmon Qubits Using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いたトランスモン量子の成分レベル逆設計
• Abstract要約: ニューラルネットワークワークフローを使用して、ハミルトンパラメータをコンポーネントレベルのレイアウトパラメータに直接ターゲットします。 従来のEMソルバに対する検証では、生成した設計の97%が使用可能なジオメトリを生成する。 その結果,コンポーネントレベルの設計は従来のEMシミュレーションを拡張・補完するのに有用であることが示唆された。
• 参考スコア（独自算出の注目度）: 7.45295753336502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing a superconducting qubit to realize specific Hamiltonian parameters typically requires iterating through a time and compute-intensive forward loop in which the designer chooses a layout geometry, simulates it, extracts circuit parameters such as capacitances, and refines the geometry. We study the inverse version of this task using a neural-network workflow that maps target Hamiltonian parameters directly to component-level layout parameters, which we subsequently demonstrate on a planar transmon layout. During training, we pair the inverse model with a frozen forward surrogate model and evaluate the loss in Hamiltonian space rather than in layout-parameter space. In validation against a conventional EM solver, 97% of generated designs produce usable geometries, and the inverse-plus-surrogate pipeline reaches mean percent errors of 0.73% for qubit frequency and 1.58% for anharmonicity, comparable to or below the fabrication and simulation-to-measurement uncertainty expected for academic-process transmon devices of this type. A single pipeline query takes approximately 56 ms on CPU, versus approximately 2 min for a conventional EM capacitance extraction on the same hardware, a speedup of more than 2,100 times. Batching minimizes the AI model inference overhead, reducing the runtime to 0.24 ms per sample on CPU and 2.5 microseconds per sample on GPU, resulting in speedups of 5.0 x 10^5 and 4.8 x 10^7, respectively, relative to a single conventional CPU EM extraction. Our results indicate that component-level inverse design usefully extends and complements conventional EM simulation, including for small datasets on the order of 1,000 samples.
• Abstract（参考訳）: 特定のハミルトンパラメータを実現するために超伝導量子ビットを設計するには、設計者がレイアウト幾何学を選択し、それをシミュレートし、容量などの回路パラメータを抽出し、幾何学を洗練する時間と計算集約的な前方ループを繰り返す必要がある。 このタスクの逆バージョンを、ハミルトンパラメータを直接コンポーネントレベルのレイアウトパラメータにマッピングするニューラルネットワークワークフローを用いて検討し、その後、平面トランスモンレイアウトで実演する。 トレーニング中、逆モデルと凍結した前方代理モデルとをペアにし、レイアウトパラメータ空間よりもハミルトン空間の損失を評価する。 従来のEMソルバに対する検証では、生成した設計の97%が使用可能なジオメトリを生成し、逆サロゲートパイプラインは平均誤差が0.73%、非調和性は1.58%に達する。 単一のパイプラインクエリはCPU上で約56ミリ秒、同じハードウェア上での従来のEM容量抽出では約2分かかる。 バッチ処理はAIモデルの推論オーバーヘッドを最小限に抑え、CPUでは0.24ミリ秒、GPUでは2.5マイクロ秒に、それぞれ5.0x10^5と4.8x10^7のスピードアップを実現している。 この結果から,1000個のサンプルの順序の小さなデータセットを含む,従来のEMシミュレーションを拡張・補完するコンポーネントレベルの逆設計が有用であることが示唆された。

関連論文リスト

• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation [36.94429692322632]
  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。
  論文  参考訳（メタデータ） (2026-07-02T15:06:11Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• N-vium: Mixture-of-Exits Transformer for Accelerated Exact Generation [68.47358899451255]
  N-vium (N-vium) は、標準ハードウェア上での計算を部分的に並列化する変圧器である。 N-Viumは複数の深さで予測ヘッドを付加し、次のトーケン分布をこれらの出口上の学習混合物として定義する。
  論文  参考訳（メタデータ） (2026-05-13T08:46:17Z)
• Self-Calibrating LLM-Based Analog Circuit Sizing with Interpretable Design Equations [0.0]
  アナログ回路サイズ化のための自己校正フレームワークを提案する。 大規模言語モデル(LLM)は、トポロジー固有の分析設計方程式を生回路ネットリストから直接導出する。 決定論的キャリブレーションループは、単一のトランジスタレベルのシミュレーションからプロセス依存パラメータを抽出する。
  論文  参考訳（メタデータ） (2026-04-08T04:35:25Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• PINGS: Physics-Informed Neural Network for Fast Generative Sampling [0.0]
  PINGSは,物理インフォームドネットワークをトレーニングし,逆時間確率フローのダイナミクスを近似することで拡散サンプリングを補正するフレームワークである。 概念実証として、3次元標準正規から非ガウスガウス混合モデル(GMM)への直接写像を学習する。 PINGSは、終点アンカーを持つPINNスタイルの残差問題として生成的サンプリングを行い、NFE = 1 のホワイトボックスで微分可能な写像を得る。
  論文  参考訳（メタデータ） (2025-09-14T14:22:33Z)
• Machine learning-driven conservative-to-primitive conversion in hybrid piecewise polytropic and tabulated equations of state [0.1572025118388268]
  本稿では,流体力学シミュレーションにおける保守的・原始的逆転を高速化する機械学習(ML)手法を提案する。 我々は、フィードフォワードニューラルネットワーク(NNC2PSとNC2PL)を採用し、PyTorchでトレーニングし、NVIDIARTを用いたGPU推論に最適化した。 NNC2PS推論用の混合精度RTエンジンは、データセットサイズ1000,000点の従来のシングルスレッド実装よりも約400倍高速である。
  論文  参考訳（メタデータ） (2024-12-10T19:00:01Z)
• Dynamic Diffusion Transformer [67.13876021157887]
  Diffusion Transformer (DiT) は優れた性能を示したが、かなりの計算コストに悩まされている。 本研究では,動的拡散変換器 (DyDiT) を提案する。 3%の微調整により,DiT-XLのFLOPを51%削減し,生成を1.73高速化し,ImageNet上でのFIDスコア2.07を達成する。
  論文  参考訳（メタデータ） (2024-10-04T14:14:28Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• CSM-NN: Current Source Model Based Logic Circuit Simulation -- A Neural Network Approach [5.365198933008246]
  CSM-NNは、最適化されたニューラルネットワーク構造と処理アルゴリズムを備えたスケーラブルなシミュレーションフレームワークである。 実験によると、CSM-NNはCPU上で動作する最先端のソースモデルベースのシミュレータと比較して、シミュレーション時間を最大6倍に短縮する。 CSM-NNはまた、HSPICEと比較して2%以下の誤差で高い精度のレベルを提供する。
  論文  参考訳（メタデータ） (2020-02-13T00:29:44Z)

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。