在超导量子计算领域，三维超导射频(SRF)腔体提供了极为持久的电磁模式，并与非线性元件如transmon量子比特结合，成为波色量子信息处理的有力架构。逆向设计这些系统，即恢复产生特定电磁和耦合目标的设备几何形状，通常是一个一对多的问题。量子比特与腔体的耦合强度对transmon的几何形状及其在腔体电磁场中的位置非常敏感。
随着这些系统的规模扩大，设计参数空间的增长使得传统的迭代仿真成本变得不可承受。我们提出了两种深度神经网络(DNN)方法，分别在设计堆栈的互补层次上解决这一逆向设计问题。第一种方法提出了产生目标腔体可观测量的SRF腔体几何形状。第二种方法则提出了生成目标量子比特-腔体参数的transmon设计，包括耦合率、量子比特频率和非谐性 $(g, \nu_q, \alpha)$。
恢复的候选设计在目标范围内匹配度达到约5%（腔体）和2%（transmon），并通过端到端的重新仿真进行了验证。这两种方法直接将期望的设备行为映射到候选设计上，成为一种快速的替代方案，取代了通常需要的迭代仿真研究。
博主点评： 本文展示了深度学习在量子计算设备设计中的应用，尤其是在高维设计空间中提供了高效的解决方案。通过将目标行为直接映射到设计参数，显著降低了设计时间和成本，推动了量子计算技术的进步。值得关注的是，如何进一步优化网络结构以提高设计精度和效率。