Cette nouvelle technologie promet un avenir prometteur à l’industrie de fabrication de puces (Photo : Getty).
L'IA aide à simplifier le processus de conception et de fabrication des puces
Des chercheurs australiens ont mis au point une technique d’apprentissage automatique quantique (QML) qui combine l’intelligence artificielle (IA) et l’informatique quantique, visant à simplifier la conception et la fabrication de puces complexes – le cœur de presque tous les appareils électroniques modernes.
Ce travail démontre comment les algorithmes QML peuvent améliorer considérablement la modélisation de la résistance interne des puces, un facteur clé affectant les performances des puces.
Contrairement aux ordinateurs classiques, qui utilisent des bits valant 0 ou 1, les ordinateurs quantiques utilisent des qubits. Grâce à des principes comme la superposition et l'intrication, les qubits peuvent exister dans plusieurs états simultanément, ce qui leur permet de traiter des relations mathématiques complexes beaucoup plus rapidement que les systèmes classiques.
Le QML encode les données classiques dans un état quantique, permettant à un ordinateur quantique de découvrir des schémas dans les données difficiles à détecter pour un système classique. Ce dernier prend ensuite le relais pour interpréter ou appliquer ces résultats.
Difficultés dans la fabrication de puces et de solutions quantiques
La fabrication de semi-conducteurs est un processus complexe et de précision qui comprend plusieurs étapes : l'empilement et le façonnage de centaines de couches microscopiques sur une plaquette de silicium, le dépôt de matériau, le revêtement photosensible, la lithographie, la gravure et l'implantation ionique. Enfin, la puce est conditionnée pour être intégrée dans un appareil.
Dans cette étude, les scientifiques se sont concentrés sur la modélisation de la résistance de contact ohmique, un défi particulièrement complexe dans la fabrication de puces. Il s'agit d'une mesure de la fluidité du courant entre les couches métalliques et semi-conductrices d'une puce ; plus la valeur est faible, plus les performances sont rapides et économes en énergie.
La modélisation précise de cette résistance est importante mais difficile avec les algorithmes d’apprentissage automatique classiques, en particulier lorsqu’il s’agit de petits ensembles de données bruyants et non linéaires couramment rencontrés dans les expériences sur les semi-conducteurs.
C’est là qu’intervient l’apprentissage automatique quantique.
En utilisant les données de 159 prototypes de transistors au nitrure de gallium (GaN HEMT), connus pour leur vitesse et leur efficacité dans l'électronique 5G, l'équipe a développé une nouvelle architecture d'apprentissage automatique appelée Quantum Kernel-Aligned Regressor (QKAR).
La QKAR convertit les données classiques en états quantiques, permettant au système quantique de déterminer des relations complexes. Un algorithme classique apprend ensuite de cette compréhension pour créer un modèle prédictif qui guide le processus de fabrication des puces.
Testé sur cinq nouveaux modèles, QKAR a surpassé sept modèles classiques de pointe, notamment ceux utilisant l'apprentissage profond et l'amplification de gradient. Bien que les mesures spécifiques n'aient pas été divulguées, QKAR a obtenu des résultats nettement supérieurs à ceux des modèles traditionnels (0,338 ohm par millimètre).
Il est important de noter que QKAR est conçu pour être compatible avec le matériel quantique réel, ouvrant la voie à son implémentation dans la fabrication de puces électroniques, à mesure que la technologie quantique progresse. Les scientifiques estiment que cette approche permet de gérer efficacement les effets multidimensionnels dans les semi-conducteurs, promettant un avenir prometteur à l'industrie des puces.
Source : https://dantri.com.vn/khoa-hoc/lan-dau-tien-su-dung-cong-nghe-luong-tu-de-tao-ra-chat-ban-dan-20250730020740216.htm
Comment (0)