A kvantumtechnológia első alkalmazása félvezetők létrehozására

(Dan Tri) - A tudósok kvantumgépi tanulást alkalmaznak félvezetők létrehozására, ami egy áttörést jelenthet, és teljesen megváltoztathatja a chipek gyártásának módját.

Ez az új technológia fényes jövőt ígér a chipgyártó ipar számára (Fotó: Getty).

A mesterséges intelligencia segít leegyszerűsíteni a chipek tervezésének és gyártásának folyamatát

Ausztrál kutatók úttörő munkát végeztek egy kvantumgépi tanulási (QML) technikában, amely ötvözi a mesterséges intelligenciát (MI) és a kvantum-számítástechnikát, azzal a céllal, hogy egyszerűsítse az összetett chipek – szinte minden modern elektronikus eszköz szívének – tervezését és gyártását.

Ez a munka bemutatja, hogy a QML algoritmusok hogyan javíthatják jelentősen a belső chip ellenállás modellezését, ami kulcsfontosságú tényező a chip teljesítményében.

A klasszikus számítógépekkel ellentétben, amelyek 0 vagy 1 biteket használnak, a kvantumszámítógépek qubiteket használnak. Az olyan elveknek köszönhetően, mint a szuperpozíció és az összefonódás, a qubitek egyszerre több állapotban is létezhetnek, így sokkal gyorsabban tudják feldolgozni az összetett matematikai összefüggéseket, mint a klasszikus rendszerek.

A QML a klasszikus adatokat kvantumállapotba kódolja, lehetővé téve a kvantumszámítógép számára, hogy olyan adatmintákat fedezzen fel , amelyeket egy klasszikus rendszer nehezen tudna észlelni. A klasszikus rendszer ezután átveszi az eredmények értelmezését vagy alkalmazását.

Nehézségek a chipgyártásban és a kvantummegoldásokban

A félvezetőgyártás egy összetett, rendkívül precíz folyamat, amely több lépésből áll: több száz mikroszkopikus réteg egymásra helyezése és formázása egy szilíciumlapra, anyagleválasztás, fotoreziszt bevonat felvitele, litográfia, maratás és ionbeültetés. Végül a chipet becsomagolják egy eszközbe való integráláshoz.

Ebben a tanulmányban a tudósok az ohmikus érintkezési ellenállás modellezésére összpontosítottak – ami különösen nehéz kihívás a chipgyártásban. Ez azt méri, hogy milyen könnyen áramlik az áram a chip fém- és félvezető rétegei között; minél alacsonyabb az érték, annál gyorsabb és energiahatékonyabb a teljesítmény.

Ennek az ellenállásnak a pontos modellezése fontos, de nehéz a klasszikus gépi tanulási algoritmusokkal, különösen akkor, ha a félvezető kísérletekben gyakran előforduló kis, zajos és nemlineáris adathalmazokkal foglalkozunk.

Itt jön képbe a kvantumgépi tanulás.

A csapat 159 prototípus gallium-nitrid tranzisztor (GaN HEMT) adatainak felhasználásával, amelyek az 5G elektronikában sebességükről és hatékonyságukról ismertek, kifejlesztett egy új gépi tanulási architektúrát, a Quantum Kernel-Aligned Regressort (QKAR).

A QKAR klasszikus adatokat kvantumállapotokká alakít, lehetővé téve a kvantumrendszer számára, hogy komplex kapcsolatokat határozzon meg. Egy klasszikus algoritmus ezután tanul ebből a megértésből, és egy prediktív modellt hoz létre, amely segít a chipgyártási folyamat irányításában.

Öt új modellen tesztelve a QKAR hét vezető klasszikus modellt felülmúlt, beleértve a mélytanulási és a gradiens erősítési módszereket is. Bár a konkrét mutatókat nem hozták nyilvánosságra, a QKAR jelentősen jobb eredményeket ért el, mint a hagyományos modellek (0,338 ohm milliméterenként).

Fontos kiemelni, hogy a QKAR-t úgy tervezték, hogy kompatibilis legyen a gyakorlati kvantumhardverekkel, megnyitva az utat a valódi chipgyártásban való alkalmazásához, ahogy a kvantumtechnológia folyamatosan fejlődik. A tudósok úgy vélik, hogy ez a módszer hatékonyan képes kezelni a félvezetők területén fellépő többdimenziós hatásokat, ami fényes jövőt ígér a chipipar számára.

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