University of Cambridge（剑桥大学）

Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation

用于玻色子量子计算的超导射频腔和Transmon的神经网络逆向设计

Joseph Yaker, Jovan Markovic, Alessandro Reineri, Doga Murat Kurkcuoglu, Silvia Zorzetti

机构 * Superconducting and Quantum Materials System Center (SQMS)（超导与量子材料系统中心） ； Fermi National Accelerator Laboratory（费米国家加速器实验室） ； Applied Physics Program, Northwestern University（西北大学应用物理计划） ； Department of Physics, University of Cambridge（剑桥大学物理系） ； Illinois Institute of Technology（伊利诺伊理工学院） ； Department of Physics and Astronomy, Northwestern University（西北大学物理与天文学系） 纠错

AI总结 提出两种深度神经网络方法，分别逆向设计超导射频腔几何和Transmon量子比特参数，实现从目标性能到候选设计的快速映射，误差约5%和2%。

Gaussian Process Latent Factor Regression for Low-Data, High-Dimensional Output Problems

高斯过程潜在因子回归用于低数据高维输出问题

Edward T. Stevenson, Eric T. Wolf, Mei Ting Mak, N. J. Mayne, Miles Cranmer

机构 * University of Cambridge（剑桥大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Oxford（牛津大学） ； University of Exeter（埃克塞特大学） 纠错

AI总结 提出高斯过程潜在因子回归（GPLFR）模型，通过将输出表示为低维潜在状态的线性高斯解码，联合优化压缩与预测，解决低数据高维输出回归问题，并首次构建岩石系外行星全球气候模型的空间分辨仿真器。

Comments 9 pages content + 23 pages appendix/references. Supporting code at https://github.com/edstevenson/GPLFR