用于玻色子量子计算的SRF腔和Transmon的神经网络逆向设计

三维超导射频（SRF）腔提供寿命极长的电磁模式，当与非线性元件（如transmon量子比特）耦合时，成为有前景的玻色子量子信息处理架构。此类系统的逆向设计，即恢复产生特定电磁和耦合目标的器件几何结构，通常是一个一对多的问题。量子比特-腔耦合强度敏感地依赖于transmon的几何形状及其在腔电磁场中的位置。随着这些系统规模扩大和设计参数空间增长，传统迭代模拟的成本变得过高。我们提出了两种深度神经网络（DNN）方法，在设计栈的互补层面解决这个逆向设计问题。第一种方法提出产生目标腔可观测量的SRF腔几何结构。第二种方法提出产生目标量子比特-腔参数——耦合率、量子比特频率和非谐性$(g, \nu_q, \alpha)$——的transmon量子比特设计。恢复的候选设计与目标匹配在约5%（腔）和约2%（transmon）以内，并通过端到端重新模拟得到确认。这两种方法都将期望的器件行为直接映射到候选设计，是通常需要的迭代模拟研究的快速替代方案。