اولین استفاده از فناوری کوانتومی برای ساخت نیمه‌هادی‌ها

(دن تری) - دانشمندان از یادگیری ماشین کوانتومی برای ایجاد نیمه‌هادی‌ها استفاده می‌کنند، پیشرفتی که می‌تواند نحوه تولید تراشه‌ها را به طور کامل تغییر دهد.

این فناوری جدید نویدبخش آینده‌ای روشن برای صنعت تولید تراشه است (عکس: گتی).

هوش مصنوعی به ساده‌سازی فرآیند طراحی و ساخت تراشه‌ها کمک می‌کند

محققان استرالیایی در یک تکنیک یادگیری ماشین کوانتومی (QML) پیشگام شده‌اند که هوش مصنوعی (AI) و محاسبات کوانتومی را با هم ترکیب می‌کند و هدف آن ساده‌سازی طراحی و ساخت تراشه‌های پیچیده - قلب تقریباً هر دستگاه الکترونیکی مدرن - است.

این کار نشان می‌دهد که چگونه الگوریتم‌های QML می‌توانند مدل‌سازی مقاومت داخلی تراشه، که یک عامل کلیدی مؤثر بر عملکرد تراشه است، را به طور قابل توجهی بهبود بخشند.

برخلاف کامپیوترهای کلاسیک که از بیت‌هایی با مقدار ۰ یا ۱ استفاده می‌کنند، کامپیوترهای کوانتومی از کیوبیت‌ها استفاده می‌کنند. به لطف اصولی مانند برهم‌نهی و درهم‌تنیدگی، کیوبیت‌ها می‌توانند همزمان در چندین حالت وجود داشته باشند و به آنها اجازه می‌دهند روابط ریاضی پیچیده را بسیار سریع‌تر از سیستم‌های کلاسیک پردازش کنند.

QML داده‌های کلاسیک را در یک حالت کوانتومی کدگذاری می‌کند و به یک کامپیوتر کوانتومی اجازه می‌دهد الگوهای داده‌ای را که تشخیص آنها برای یک سیستم کلاسیک دشوار است، کشف کند . سپس یک سیستم کلاسیک وظیفه تفسیر یا اعمال این نتایج را بر عهده می‌گیرد.

مشکلات تولید تراشه و راه‌حل‌های کوانتومی

ساخت نیمه‌هادی یک فرآیند پیچیده و بسیار دقیق است که شامل چندین مرحله می‌شود: روی هم چیدن و شکل‌دهی صدها لایه میکروسکوپی روی یک ویفر سیلیکونی، رسوب مواد، پوشش‌دهی فوتورزیست، لیتوگرافی، حکاکی و کاشت یون. در نهایت، تراشه برای ادغام در یک دستگاه بسته‌بندی می‌شود.

در این مطالعه، دانشمندان بر مدل‌سازی مقاومت تماس اهمی - یک چالش بسیار دشوار در تولید تراشه - تمرکز کردند. این معیاری است که نشان می‌دهد جریان چقدر آسان بین لایه‌های فلزی و نیمه‌رسانای یک تراشه جریان می‌یابد؛ هرچه مقدار آن کمتر باشد، عملکرد سریع‌تر و از نظر انرژی کارآمدتر است.

مدل‌سازی دقیق این مقاومت مهم است اما با الگوریتم‌های یادگیری ماشین کلاسیک دشوار است، به خصوص هنگام برخورد با مجموعه داده‌های کوچک، نویزی و غیرخطی که معمولاً در آزمایش‌های نیمه‌هادی با آنها مواجه می‌شویم.

اینجاست که یادگیری ماشین کوانتومی وارد عمل می‌شود.

این تیم با استفاده از داده‌های ۱۵۹ ترانزیستور نمونه اولیه گالیوم نیترید (GaN HEMTs)، که به دلیل سرعت و کارایی‌شان در الکترونیک 5G شناخته می‌شوند، یک معماری یادگیری ماشین جدید به نام رگرسیونر همسو با هسته کوانتومی (QKAR) توسعه دادند.

QKAR داده‌های کلاسیک را به حالت‌های کوانتومی تبدیل می‌کند و به سیستم کوانتومی اجازه می‌دهد تا روابط پیچیده را تعیین کند. سپس یک الگوریتم کلاسیک از این درک یاد می‌گیرد تا یک مدل پیش‌بینی‌کننده ایجاد کند که به هدایت فرآیند ساخت تراشه کمک می‌کند.

وقتی QKAR روی پنج مدل جدید آزمایش شد، از هفت مدل کلاسیک پیشرو، از جمله روش‌های یادگیری عمیق و تقویت گرادیان، عملکرد بهتری داشت. اگرچه معیارهای خاصی فاش نشده است، QKAR نتایج به مراتب بهتری نسبت به مدل‌های سنتی (0.338 اهم در هر میلی‌متر) به دست آورد.

نکته مهم این است که QKAR به گونه‌ای طراحی شده است که با سخت‌افزار کوانتومی کاربردی سازگار باشد و با پیشرفت مداوم فناوری کوانتومی، دری را برای پیاده‌سازی آن در تولید تراشه‌های واقعی باز کند. دانشمندان معتقدند که این روش می‌تواند به طور مؤثر اثرات چندبعدی را در زمینه نیمه‌هادی‌ها مدیریت کند و آینده‌ای روشن را برای صنعت تراشه نوید دهد.

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