שימוש ראשון בטכנולוגיית קוונטים ליצירת מוליכים למחצה

(דן טרי) - מדענים משתמשים בלמידת מכונה קוונטית כדי ליצור מוליכים למחצה, פריצת דרך שיכולה לשנות לחלוטין את אופן ייצור השבבים.

טכנולוגיה חדשה זו מבטיחה עתיד מזהיר לתעשיית ייצור השבבים (צילום: Getty).

בינה מלאכותית מסייעת לפשט את תהליך התכנון והייצור של שבבים

חוקרים באוסטרליה פיתחו טכניקת למידת מכונה קוונטית (QML) המשלבת בינה מלאכותית (AI) ומחשוב קוונטי, במטרה לפשט את התכנון והייצור של שבבים מורכבים - ליבו של כמעט כל מכשיר אלקטרוני מודרני.

עבודה זו מדגימה כיצד אלגוריתמי QML יכולים לשפר משמעותית את מידול ההתנגדות הפנימית של השבב, גורם מפתח המשפיע על ביצועי השבב.

בניגוד למחשבים קלאסיים, המשתמשים בסיביות שהן 0 או 1, מחשבים קוונטיים משתמשים בקיוביטים. הודות לעקרונות כמו סופרפוזיציה ושזירה, קיוביטים יכולים להתקיים במספר מצבים בו זמנית, מה שמאפשר להם לעבד קשרים מתמטיים מורכבים הרבה יותר מהר ממערכות קלאסיות.

QML מקודד נתונים קלאסיים למצב קוונטי, ומאפשר למחשב קוונטי לגלות דפוסי נתונים שקשה למערכת קלאסית לזהות. לאחר מכן, מערכת קלאסית לוקחת פיקוד על פירוש או יישום תוצאות אלו.

קשיים בייצור שבבים ופתרונות קוונטיים

ייצור מוליכים למחצה הוא תהליך מורכב ומדויק ביותר הכולל מספר שלבים: הצבת ועיצוב של מאות שכבות מיקרוסקופיות על גבי פרוסת סיליקון, שקיעת חומר, ציפוי פוטורזיסט, ליתוגרפיה, איכול והשתלת יונים. לבסוף, השבב נארז לשילוב במכשיר.

במחקר זה, המדענים התמקדו במידול התנגדות מגע אוהמית - אתגר קשה במיוחד בייצור שבבים. זהו מדד לכמה קלות זרם זורם בין שכבות המתכת לשכבות המוליכים למחצה של שבב; ככל שהערך נמוך יותר, כך הביצועים מהירים יותר ויעילים יותר מבחינה אנרגטית.

מידול מדויק של התנגדות זו חשוב אך קשה עם אלגוריתמים קלאסיים של למידת מכונה, במיוחד כאשר מתמודדים עם מערכי נתונים קטנים, רועשים ולא ליניאריים הנפוצים בניסויים של מוליכים למחצה.

כאן נכנסת לתמונה למידת מכונה קוונטית.

באמצעות נתונים מ-159 טרנזיסטורי גליום ניטריד (GaN HEMTs) אב טיפוס, הידועים במהירותם וביעילותם באלקטרוניקה של 5G, פיתח הצוות ארכיטקטורת למידת מכונה חדשה בשם Quantum Kernel-Aligned Regressor (QKAR).

QKAR ממיר נתונים קלאסיים למצבים קוונטיים, ומאפשר למערכת הקוונטית לקבוע קשרים מורכבים. אלגוריתם קלאסי לומד לאחר מכן מהבנה זו כדי ליצור מודל ניבוי המסייע להנחות את תהליך ייצור השבב.

כאשר נבדק QKAR על חמישה דגמים חדשים, הוא עלה על שבעה דגמים קלאסיים מובילים, כולל למידה עמוקה ושיטות הגברת גרדיאנט. בעוד שמדדים ספציפיים לא נחשפו, QKAR השיג תוצאות טובות משמעותית מהדגמים המסורתיים (0.338 אוהם למילימטר).

חשוב לציין, ש-QKAR תוכנן להיות תואם לחומרה קוונטית מעשית, מה שפותח את הדלת ליישומו בייצור שבבים אמיתי ככל שטכנולוגיית הקוונטים ממשיכה להתקדם. מדענים מאמינים ששיטה זו יכולה להתמודד ביעילות עם אפקטים רב-ממדיים בתחום המוליכים למחצה, ומבטיחה עתיד מזהיר לתעשיית השבבים.

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