清華新聞網7月28日電 量子計算被視為下一代計算技術的重要方向，尤其是超導量子計算系統，因其快速發展和出色的表現，成為量子計算的主要候選平臺之一。然而，隨著超導量子芯片規模的快速增長，芯片參數的傳統手動優化設計變得極為復雜，亟需新的自動化設計方法。
 

　　針對這一挑戰，清華大學集成電路學院劉玉璽教授研究團隊創新性地提出利用圖神經網絡的可擴展特性，開發了一種被比喻為“三階梯擴展(three-stair scaling)”的算法。該研究提出了一種基于圖神經網絡的可擴展的參數設計算法，利用小規模-中等規模-大規模的“三階放縮”機制，可實現對870量子比特的大規模超導量子芯片的頻率設計，取得了遠超Google公司開發和應用的Snake算法的效率優勢。
 

　　本研究首先在小規模電路上通過數值模擬產生數據集，繼而監督訓練評估模型(evaluator)；由于超導量子電路的局域性質和評估模型的特殊設計，評估模型可直接在中等規模電路上應用；再利用評估模型給出的誤差，本研究在中等規模電路上無監督訓練設計模型(designer)；設計模型基于圖卷積神經網絡構建，可直接運用于大規模超導量子電路，最終實現對大規模電路參數的高效設計。
 

 

圖1.算法總覽
 

　　研究成果表明，相比現有的國際先進算法，本研究新提出的算法在優化性能、設計效率和擴展能力等方面均表現出顯著優勢。例如，在包含約870個量子比特的大規模超導量子芯片上，所提出的算法能在27秒內達到Snake算法51%的量子串擾誤差，而后者需耗時90分鐘。Snake算法是量子計算的全球引領者Google公司開發和使用的算法，被用于其2019年宣稱實現“量子優越性”的著名超導量子計算機“Sycamore”中。
 

 

圖2. 結果對比
 

　　這一創新算法不僅為超導量子計算的實際應用提供了強有力的工具，還為人工智能技術在量子計算硬件層面的應用開辟了全新路徑，推動了超導量子計算芯片設計的進一步自動化和智能化。相關代碼已在GitHub上公開，為國際同行提供了重要的參考和共享資源。
 

　　相關成果以“基于圖神經網絡的超導量子電路可擴展參數設計”(Scalable Parameter Design for Superconducting Quantum Circuits with Graph Neural Networks)為題，于7月22日發表在國際著名期刊《物理學評論快報》(Physical Review Letters)雜志。
 

　　論文的第一作者是清華大集成電路學院2021級博士生艾浩，通訊作者是劉玉璽教授，清華大學集成電路學院是論文的唯一單位。該項目得到科技創新2030—“量子通信與量子計算機”重大項目的支持。
 

　　論文鏈接：
 

　　https://doi.org/10.1103/yr9d-7z8k
 

　　供稿：集成電路學院
 

　　編輯：李華山
 

　　審核：黃思南