Penggunaan pertama teknologi kuantum untuk menciptakan semikonduktor

Lần đầu tiên sử dụng công nghệ lượng tử để tạo ra chất bán dẫn - 1 — Teknologi baru ini menjanjikan masa depan cerah bagi industri manufaktur chip (Foto: Getty).

AI membantu menyederhanakan proses perancangan dan pembuatan chip

Para peneliti di Australia telah memelopori teknik pembelajaran mesin kuantum (QML) yang menggabungkan kecerdasan buatan (AI) dan komputasi kuantum, yang bertujuan untuk menyederhanakan desain dan pembuatan chip yang kompleks – inti dari hampir setiap perangkat elektronik modern.

Karya ini menunjukkan bagaimana algoritma QML dapat secara signifikan meningkatkan pemodelan resistansi chip internal, faktor utama yang memengaruhi kinerja chip.

Berbeda dengan komputer klasik yang menggunakan bit 0 atau 1, komputer kuantum menggunakan qubit. Berkat prinsip-prinsip seperti superposisi dan keterikatan, qubit dapat berada dalam beberapa keadaan secara bersamaan, memungkinkan mereka memproses hubungan matematika yang kompleks jauh lebih cepat daripada sistem klasik.

QML mengodekan data klasik ke dalam keadaan kuantum, memungkinkan komputer kuantum menemukan pola dalam data yang sulit dideteksi oleh sistem klasik. Sistem klasik kemudian mengambil alih untuk menafsirkan atau menerapkan hasil ini.

Kesulitan dalam pembuatan chip dan solusi kuantum

Manufaktur semikonduktor adalah proses kompleks yang direkayasa secara presisi dan melibatkan beberapa langkah: menumpuk dan membentuk ratusan lapisan mikroskopis pada wafer silikon, deposisi material, pelapisan fotoresist, litografi, etsa, dan implantasi ion. Akhirnya, chip dikemas untuk diintegrasikan ke dalam perangkat.

Dalam studi ini, para ilmuwan berfokus pada pemodelan resistansi kontak ohmik—sebuah tantangan yang sangat sulit dalam manufaktur chip. Resistansi kontak ohmik merupakan ukuran seberapa mudah arus mengalir di antara lapisan logam dan semikonduktor sebuah chip; semakin rendah nilainya, semakin cepat dan hemat energi kinerjanya.

Membuat model resistansi ini secara akurat penting tetapi sulit dilakukan dengan algoritma pembelajaran mesin klasik, terutama saat menangani kumpulan data kecil, berisik, dan nonlinier yang umum ditemui dalam eksperimen semikonduktor.

Di sinilah pembelajaran mesin kuantum berperan.

Menggunakan data dari 159 prototipe transistor galium nitrida (GaN HEMT), yang dikenal karena kecepatan dan efisiensinya dalam elektronik 5G, tim mengembangkan arsitektur pembelajaran mesin baru yang disebut Quantum Kernel-Aligned Regressor (QKAR).

QKAR mengonversi data klasik menjadi status kuantum, yang memungkinkan sistem kuantum menentukan hubungan yang kompleks. Algoritme klasik kemudian mempelajari pemahaman tersebut untuk menciptakan model prediktif yang memandu proses fabrikasi chip.

Saat diuji pada lima model baru, QKAR mengungguli tujuh model klasik terkemuka, termasuk metode pembelajaran mendalam dan peningkatan gradien. Meskipun metrik spesifik tidak diungkapkan, QKAR mencapai hasil yang jauh lebih baik daripada model tradisional (0,338 ohm per milimeter).

Yang terpenting, QKAR dirancang agar kompatibel dengan perangkat keras kuantum dunia nyata, membuka peluang implementasinya dalam manufaktur chip dunia nyata seiring dengan kemajuan teknologi kuantum. Para ilmuwan yakin bahwa pendekatan ini dapat menangani efek multidimensi dalam semikonduktor secara efektif, menjanjikan masa depan yang cerah bagi industri chip.

Komentar (0)