En este artículo, proponemos un algoritmo de diseño de parámetros que utiliza redes neuronales de grafos (GNN) para resolver las dificultades en el diseño de chips de computación cuántica superconductores a gran escala. El algoritmo se basa en un mecanismo de "escalamiento en tres pasos" y consta de dos modelos de red neuronal: un estimador basado en aprendizaje supervisado aplicado a circuitos de tamaño mediano y un diseñador basado en aprendizaje no supervisado aplicado a circuitos de gran escala. Al aplicar el algoritmo para mitigar los errores de diafonía cuántica, demostramos que la tasa de error se reduce en un 51% y el tiempo de diseño se acorta de 90 minutos a 27 segundos en comparación con los algoritmos de vanguardia existentes en un circuito cuántico superconductor a gran escala con aproximadamente 870 cúbits. En conclusión, presentamos un algoritmo con rendimiento y escalabilidad mejorados para el diseño de parámetros de chips cuánticos superconductores y demostramos la aplicabilidad de las GNN al diseño de chips cuánticos superconductores.
