První použití kvantové technologie k vytvoření polovodičů

(Dan Tri) - Vědci využívají kvantové strojové učení k vytváření polovodičů, což je průlom, který by mohl zcela změnit způsob výroby čipů.

Tato nová technologie slibuje světlou budoucnost pro odvětví výroby čipů (Foto: Getty).

Umělá inteligence pomáhá zjednodušit proces návrhu a výroby čipů

Vědci v Austrálii byli průkopníky v technice kvantového strojového učení (QML), která kombinuje umělou inteligenci (AI) a kvantové výpočty s cílem zjednodušit návrh a výrobu složitých čipů – srdce téměř každého moderního elektronického zařízení.

Tato práce ukazuje, jak algoritmy QML mohou významně zlepšit modelování vnitřního odporu čipu, což je klíčový faktor ovlivňující výkon čipu.

Na rozdíl od klasických počítačů, které používají bity s hodnotou 0 nebo 1, kvantové počítače používají qubity. Díky principům, jako je superpozice a provázání, mohou qubity existovat ve více stavech současně, což jim umožňuje zpracovávat složité matematické vztahy mnohem rychleji než klasické systémy.

QML kóduje klasická data do kvantového stavu, což umožňuje kvantovému počítači objevit datové vzory, které je pro klasický systém obtížné detekovat. Klasický systém poté převezme interpretaci nebo aplikaci těchto výsledků.

Problémy s výrobou čipů a kvantovými řešeními

Výroba polovodičů je složitý, vysoce přesný proces, který zahrnuje několik kroků: vrstvení a tvarování stovek mikroskopických vrstev na křemíkový wafer, nanášení materiálu, nanášení fotorezistu, litografii, leptání a iontovou implantaci. Nakonec je čip zabalen pro integraci do zařízení.

V této studii se vědci zaměřili na modelování ohmického kontaktního odporu – obzvláště obtížné výzvy při výrobě čipů. Jedná se o míru, s jakou snadno proud protéká mezi kovovou a polovodičovou vrstvou čipu; čím nižší hodnota, tím rychlejší a energeticky úspornější je výkon.

Přesné modelování tohoto odporu je důležité, ale obtížné u klasických algoritmů strojového učení, zejména při práci s malými, zašuměnými a nelineárními datovými soubory, s nimiž se běžně setkáváme v experimentech s polovodiči.

A právě zde přichází na řadu kvantové strojové učení.

Tým vyvinul novou architekturu strojového učení s názvem Quantum Kernel-Aligned Regressor (QKAR) s využitím dat ze 159 prototypů tranzistorů z nitridu galia (GaN HEMT), známých svou rychlostí a účinností v elektronice 5G.

QKAR převádí klasická data do kvantových stavů, což umožňuje kvantovému systému určovat složité vztahy. Klasický algoritmus se pak z těchto poznatků učí a vytváří prediktivní model, který pomáhá řídit proces výroby čipů.

Při testování na pěti nových modelech QKAR překonal sedm předních klasických modelů, včetně metod hlubokého učení a gradientního boostingu. Přestože konkrétní metriky nebyly zveřejněny, QKAR dosáhl výrazně lepších výsledků než tradiční modely (0,338 ohmů na milimetr).

Důležité je, že QKAR je navržen tak, aby byl kompatibilní s praktickým kvantovým hardwarem, což s rozvojem kvantové technologie otevírá dveře pro jeho implementaci do reálné výroby čipů. Vědci se domnívají, že tato metoda dokáže efektivně zvládat vícerozměrné efekty v oblasti polovodičů, což slibuje světlou budoucnost pro čipový průmysl.

Zdroj: https://dantri.com.vn/khoa-hoc/lan-dau-tien-su-dung-cong-nghe-luong-tu-de-tao-ra-chat-ban-dan-20250730020740216.htm