Erster Einsatz von Quantentechnologie zur Herstellung von Halbleitern

(Dan Tri) – Wissenschaftler nutzen Quanten-Maschinelles Lernen zur Herstellung von Halbleitern, ein Durchbruch, der die Art und Weise der Chipherstellung völlig verändern könnte.

Diese neue Technologie verspricht eine glänzende Zukunft für die Chipherstellungsindustrie (Foto: Getty).

KI vereinfacht den Prozess der Chip-Entwicklung und -Herstellung

Forscher in Australien haben eine Quanten-Maschinenlerntechnik (QML) entwickelt, die künstliche Intelligenz (KI) und Quantencomputing kombiniert und darauf abzielt, den Entwurf und die Herstellung komplexer Chips – dem Herzstück fast aller modernen elektronischen Geräte – zu vereinfachen.

Diese Arbeit zeigt, wie QML-Algorithmen die Modellierung des internen Chipwiderstands, einem Schlüsselfaktor, der die Chipleistung beeinflusst, erheblich verbessern können.

Im Gegensatz zu klassischen Computern, die Bits mit den Werten 0 oder 1 verwenden, arbeiten Quantencomputer mit Qubits. Dank Prinzipien wie Superposition und Verschränkung können Qubits gleichzeitig in mehreren Zuständen existieren und so komplexe mathematische Zusammenhänge deutlich schneller verarbeiten als klassische Systeme.

QML kodiert klassische Daten in einen Quantenzustand. Dadurch kann ein Quantencomputer Muster in den Daten erkennen , die für ein klassisches System schwer zu erkennen sind. Ein klassisches System übernimmt dann die Interpretation oder Anwendung dieser Ergebnisse.

Schwierigkeiten bei der Chipherstellung und Quantenlösungen

Die Halbleiterherstellung ist ein komplexer, präziser Prozess, der mehrere Schritte umfasst: das Stapeln und Formen von Hunderten mikroskopischer Schichten auf einem Siliziumwafer, Materialabscheidung, Fotolackbeschichtung, Lithografie, Ätzen und Ionenimplantation. Abschließend wird der Chip für die Integration in ein Gerät verpackt.

In dieser Studie konzentrierten sich die Wissenschaftler auf die Modellierung des ohmschen Kontaktwiderstands – eine besonders schwierige Herausforderung bei der Chipherstellung. Dieser ist ein Maß dafür, wie leicht Strom zwischen den Metall- und Halbleiterschichten eines Chips fließt; je niedriger der Wert, desto schneller und energieeffizienter die Leistung.

Die genaue Modellierung dieses Widerstands ist wichtig, aber mit klassischen Algorithmen des maschinellen Lernens schwierig, insbesondere beim Umgang mit kleinen, verrauschten und nichtlinearen Datensätzen, die bei Halbleiterexperimenten häufig vorkommen.

Hier kommt das Quanten-Maschinenlernen ins Spiel.

Mithilfe von Daten von 159 Prototypen von Galliumnitrid-Transistoren (GaN HEMTs), die für ihre Geschwindigkeit und Effizienz in der 5G-Elektronik bekannt sind, entwickelte das Team eine neue Architektur für maschinelles Lernen namens Quantum Kernel-Aligned Regressor (QKAR).

QKAR wandelt klassische Daten in Quantenzustände um, wodurch das Quantensystem komplexe Zusammenhänge erkennen kann. Ein klassischer Algorithmus lernt dann aus diesem Verständnis und erstellt ein Vorhersagemodell, das den Chipherstellungsprozess steuert.

Beim Test an fünf neuen Modellen übertraf QKAR sieben führende klassische Modelle, darunter Deep-Learning- und Gradient-Boosting-Methoden. Obwohl keine spezifischen Messwerte veröffentlicht wurden, erzielte QKAR deutlich bessere Ergebnisse als die traditionellen Modelle (0,338 Ohm pro Millimeter).

Wichtig ist, dass QKAR mit realer Quantenhardware kompatibel ist. Dies ermöglicht den Einsatz in der realen Chipherstellung, während die Quantentechnologie immer weiter voranschreitet. Wissenschaftler sind überzeugt, dass dieser Ansatz multidimensionale Effekte in Halbleitern effektiv handhaben kann, was der Chipindustrie eine glänzende Zukunft verspricht.

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