Πρώτη χρήση κβαντικής τεχνολογίας για τη δημιουργία ημιαγωγών

(Dan Tri) - Οι επιστήμονες χρησιμοποιούν την κβαντική μηχανική μάθηση για να δημιουργήσουν ημιαγωγούς, μια σημαντική ανακάλυψη που θα μπορούσε να αλλάξει εντελώς τον τρόπο κατασκευής των τσιπ.

Αυτή η νέα τεχνολογία υπόσχεται ένα λαμπρό μέλλον για τη βιομηχανία κατασκευής τσιπ (Φωτογραφία: Getty).

Η Τεχνητή Νοημοσύνη βοηθά στην απλοποίηση της διαδικασίας σχεδιασμού και κατασκευής τσιπ

Ερευνητές στην Αυστραλία πρωτοπορούν σε μια τεχνική κβαντικής μηχανικής μάθησης (QML) που συνδυάζει την τεχνητή νοημοσύνη (AI) και την κβαντική υπολογιστική, με στόχο την απλοποίηση του σχεδιασμού και της κατασκευής σύνθετων τσιπ – της καρδιάς σχεδόν κάθε σύγχρονης ηλεκτρονικής συσκευής.

Αυτή η εργασία καταδεικνύει πώς οι αλγόριθμοι QML μπορούν να βελτιώσουν σημαντικά τη μοντελοποίηση της εσωτερικής αντίστασης των τσιπ, ενός βασικού παράγοντα που επηρεάζει την απόδοση των τσιπ.

Σε αντίθεση με τους κλασικούς υπολογιστές, οι οποίοι χρησιμοποιούν bits που είναι είτε 0 είτε 1, οι κβαντικοί υπολογιστές χρησιμοποιούν qubits. Χάρη σε αρχές όπως η υπέρθεση και η διεμπλοκή, τα qubits μπορούν να υπάρχουν σε πολλαπλές καταστάσεις ταυτόχρονα, επιτρέποντάς τους να επεξεργάζονται πολύπλοκες μαθηματικές σχέσεις πολύ πιο γρήγορα από τα κλασικά συστήματα.

Η QML κωδικοποιεί τα κλασικά δεδομένα σε κβαντική κατάσταση, επιτρέποντας σε έναν κβαντικό υπολογιστή να ανακαλύψει μοτίβα δεδομένων που είναι δύσκολο να ανιχνευθούν από ένα κλασικό σύστημα. Στη συνέχεια, ένα κλασικό σύστημα αναλαμβάνει την ερμηνεία ή την εφαρμογή αυτών των αποτελεσμάτων.

Δυσκολίες στην κατασκευή τσιπ και κβαντικές λύσεις

Η κατασκευή ημιαγωγών είναι μια σύνθετη, εξαιρετικά ακριβής διαδικασία που περιλαμβάνει πολλά βήματα: στοίβαξη και διαμόρφωση εκατοντάδων μικροσκοπικών στρωμάτων σε ένα πλακίδιο πυριτίου, εναπόθεση υλικού, επίστρωση φωτοευαίσθητου υλικού, λιθογραφία, χάραξη και εμφύτευση ιόντων. Τέλος, το τσιπ συσκευάζεται για ενσωμάτωση σε μια συσκευή.

Σε αυτήν τη μελέτη, οι επιστήμονες επικεντρώθηκαν στη μοντελοποίηση της ωμικής αντίστασης επαφής – μια ιδιαίτερα δύσκολη πρόκληση στην κατασκευή τσιπ. Πρόκειται για ένα μέτρο του πόσο εύκολα ρέει το ρεύμα μεταξύ των μεταλλικών και ημιαγωγικών στρωμάτων ενός τσιπ. Όσο χαμηλότερη είναι η τιμή, τόσο ταχύτερη και πιο ενεργειακά αποδοτική είναι η απόδοση.

Η ακριβής μοντελοποίηση αυτής της αντίστασης είναι σημαντική αλλά δύσκολη με τους κλασικούς αλγόριθμους μηχανικής μάθησης, ειδικά όταν πρόκειται για μικρά, θορυβώδη και μη γραμμικά σύνολα δεδομένων που συναντώνται συνήθως σε πειράματα ημιαγωγών.

Εδώ ακριβώς έρχεται η κβαντική μηχανική μάθηση.

Χρησιμοποιώντας δεδομένα από 159 πρωτότυπα τρανζίστορ νιτριδίου του γαλλίου (GaN HEMT), γνωστά για την ταχύτητα και την αποτελεσματικότητά τους στα ηλεκτρονικά 5G, η ομάδα ανέπτυξε μια νέα αρχιτεκτονική μηχανικής μάθησης που ονομάζεται Quantum Kernel-Aligned Regressor (QKAR).

Το QKAR μετατρέπει τα κλασικά δεδομένα σε κβαντικές καταστάσεις, επιτρέποντας στο κβαντικό σύστημα να προσδιορίσει πολύπλοκες σχέσεις. Ένας κλασικός αλγόριθμος μαθαίνει στη συνέχεια από αυτή την κατανόηση για να δημιουργήσει ένα προγνωστικό μοντέλο που βοηθά στην καθοδήγηση της διαδικασίας κατασκευής τσιπ.

Όταν δοκιμάστηκε σε πέντε νέα μοντέλα, η QKAR ξεπέρασε σε απόδοση επτά κορυφαία κλασικά μοντέλα, συμπεριλαμβανομένων των μεθόδων βαθιάς μάθησης και ενίσχυσης κλίσης. Ενώ δεν αποκαλύφθηκαν συγκεκριμένες μετρήσεις, η QKAR πέτυχε σημαντικά καλύτερα αποτελέσματα από τα παραδοσιακά μοντέλα (0,338 ohms ανά χιλιοστό).

Είναι σημαντικό ότι το QKAR έχει σχεδιαστεί ώστε να είναι συμβατό με πρακτικό κβαντικό υλικό, ανοίγοντας την πόρτα για την εφαρμογή του στην πραγματική κατασκευή τσιπ καθώς η κβαντική τεχνολογία συνεχίζει να εξελίσσεται. Οι επιστήμονες πιστεύουν ότι αυτή η μέθοδος μπορεί να χειριστεί αποτελεσματικά τα πολυδιάστατα φαινόμενα στον τομέα των ημιαγωγών, υπόσχοντας ένα λαμπρό μέλλον για τη βιομηχανία τσιπ.

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