अर्धचालक बनाने के लिए क्वांटम प्रौद्योगिकी का पहला उपयोग

(डैन ट्राई) - वैज्ञानिक अर्धचालक बनाने के लिए क्वांटम मशीन लर्निंग का उपयोग कर रहे हैं, यह एक ऐसी सफलता है जो चिप्स के निर्माण के तरीके को पूरी तरह से बदल सकती है।

यह नई तकनीक चिप निर्माण उद्योग के लिए उज्ज्वल भविष्य का वादा करती है (फोटो: गेटी)।

एआई चिप्स के डिजाइन और निर्माण की प्रक्रिया को सरल बनाने में मदद करता है

ऑस्ट्रेलिया के शोधकर्ताओं ने क्वांटम मशीन लर्निंग (क्यूएमएल) तकनीक का बीड़ा उठाया है, जो कृत्रिम बुद्धिमत्ता (एआई) और क्वांटम कंप्यूटिंग को जोड़ती है, जिसका उद्देश्य जटिल चिप्स के डिजाइन और निर्माण को सरल बनाना है - जो लगभग हर आधुनिक इलेक्ट्रॉनिक उपकरण का हृदय है।

यह कार्य दर्शाता है कि किस प्रकार QML एल्गोरिदम आंतरिक चिप प्रतिरोध के मॉडलिंग में महत्वपूर्ण सुधार कर सकता है, जो चिप प्रदर्शन को प्रभावित करने वाला एक प्रमुख कारक है।

शास्त्रीय कंप्यूटरों के विपरीत, जो 0 या 1 बिट्स का उपयोग करते हैं, क्वांटम कंप्यूटर क्यूबिट का उपयोग करते हैं। सुपरपोज़िशन और एंटैंगलमेंट जैसे सिद्धांतों के कारण, क्यूबिट एक ही समय में कई अवस्थाओं में मौजूद रह सकते हैं, जिससे वे जटिल गणितीय संबंधों को शास्त्रीय प्रणालियों की तुलना में कहीं अधिक तेज़ी से संसाधित कर सकते हैं।

क्यूएमएल शास्त्रीय डेटा को क्वांटम अवस्था में एनकोड करता है, जिससे क्वांटम कंप्यूटर उन डेटा पैटर्न की खोज कर पाता है जिन्हें शास्त्रीय सिस्टम के लिए पहचानना मुश्किल होता है। फिर शास्त्रीय सिस्टम इन परिणामों की व्याख्या या अनुप्रयोग का कार्यभार संभालता है।

चिप निर्माण और क्वांटम समाधानों में कठिनाइयाँ

अर्धचालक निर्माण एक जटिल, अत्यधिक सटीक प्रक्रिया है जिसमें कई चरण शामिल होते हैं: एक सिलिकॉन वेफर पर सैकड़ों सूक्ष्म परतों को लगाना और आकार देना, पदार्थ जमा करना, फोटोरेसिस्ट कोटिंग, लिथोग्राफी, एचिंग और आयन इम्प्लांटेशन। अंत में, चिप को एक उपकरण में एकीकरण के लिए पैक किया जाता है।

इस अध्ययन में, वैज्ञानिकों ने ओमिक संपर्क प्रतिरोध के मॉडलिंग पर ध्यान केंद्रित किया – चिप निर्माण में एक विशेष रूप से कठिन चुनौती। यह एक माप है कि चिप की धातु और अर्धचालक परतों के बीच धारा कितनी आसानी से प्रवाहित होती है; मान जितना कम होगा, प्रदर्शन उतना ही तेज़ और ऊर्जा-कुशल होगा।

इस प्रतिरोध का सटीक मॉडलिंग करना महत्वपूर्ण है, लेकिन शास्त्रीय मशीन लर्निंग एल्गोरिदम के साथ यह कठिन है, विशेष रूप से तब जब अर्धचालक प्रयोगों में आमतौर पर पाए जाने वाले छोटे, शोर और गैर-रेखीय डेटा सेटों के साथ काम करना हो।

यहीं पर क्वांटम मशीन लर्निंग की भूमिका आती है।

5G इलेक्ट्रॉनिक्स में अपनी गति और दक्षता के लिए जाने जाने वाले 159 प्रोटोटाइप गैलियम नाइट्राइड ट्रांजिस्टर (GaN HEMTs) के डेटा का उपयोग करते हुए, टीम ने क्वांटम कर्नेल-अलाइन्ड रिग्रेसर (QKAR) नामक एक नई मशीन लर्निंग आर्किटेक्चर विकसित की।

QKAR शास्त्रीय डेटा को क्वांटम अवस्थाओं में परिवर्तित करता है, जिससे क्वांटम सिस्टम जटिल संबंधों का निर्धारण कर पाता है। फिर एक शास्त्रीय एल्गोरिथम उस समझ से सीखकर एक पूर्वानुमानित मॉडल बनाता है जो चिप निर्माण प्रक्रिया को निर्देशित करने में मदद करता है।

पाँच नए मॉडलों पर परीक्षण करने पर, QKAR ने डीप लर्निंग और ग्रेडिएंट बूस्टिंग विधियों सहित सात प्रमुख पारंपरिक मॉडलों से बेहतर प्रदर्शन किया। हालाँकि विशिष्ट मीट्रिक्स का खुलासा नहीं किया गया था, QKAR ने पारंपरिक मॉडलों (0.338 ओम प्रति मिलीमीटर) की तुलना में काफ़ी बेहतर परिणाम प्राप्त किए।

महत्वपूर्ण बात यह है कि QKAR को व्यावहारिक क्वांटम हार्डवेयर के साथ संगत होने के लिए डिज़ाइन किया गया है, जिससे क्वांटम तकनीक के निरंतर विकास के साथ वास्तविक चिप निर्माण में इसके कार्यान्वयन के द्वार खुलते हैं। वैज्ञानिकों का मानना ​​है कि यह विधि अर्धचालक क्षेत्र में बहुआयामी प्रभावों को प्रभावी ढंग से संभाल सकती है, जिससे चिप उद्योग के उज्ज्वल भविष्य का वादा किया जा सकता है।

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