この新しい技術は、チップ製造業界に明るい未来をもたらすと期待されている（写真：ゲッティ）。
AIはチップの設計と製造のプロセスを簡素化します
オーストラリアの研究者らは、人工知能（AI）と量子コンピューティングを組み合わせた量子機械学習（QML）技術を開発し、ほぼすべての現代の電子機器の心臓部である複雑なチップの設計と製造を簡素化することを目指している。
この研究は、QML アルゴリズムがチップのパフォーマンスに影響を与える重要な要素であるチップ内部抵抗のモデリングを大幅に改善できることを示しています。
0か1かのビットを用いる従来のコンピュータとは異なり、量子コンピュータは量子ビットを使用します。重ね合わせやエンタングルメントといった原理により、量子ビットは同時に複数の状態をとることができ、従来のシステムよりもはるかに高速に複雑な数学的関係を処理できます。
QMLは古典データを量子状態にエンコードすることで、量子コンピュータが古典システムでは検出が困難なデータ内のパターンを発見することを可能にします。そして、古典システムがこれらの結果を解釈または適用します。
チップ製造と量子ソリューションの難しさ
半導体製造は、シリコンウェハ上に数百もの微細な層を積層・形成し、材料の堆積、フォトレジストの塗布、リソグラフィー、エッチング、イオン注入といった複数の工程を経る、複雑で精密なエンジニアリングプロセスです。最後に、チップはデバイスに組み込むためにパッケージングされます。
本研究では、 科学者たちはチップ製造において特に困難な課題であるオーミック接触抵抗のモデル化に焦点を当てました。これは、チップの金属層と半導体層間の電流の流れやすさを表す指標であり、値が低いほど、性能は高速でエネルギー効率が高いことを意味します。
この抵抗を正確にモデル化することは重要ですが、特に半導体実験でよく見られる小さく、ノイズが多く、非線形のデータセットを扱う場合には、従来の機械学習アルゴリズムでは困難です。
ここで量子機械学習が登場します。
研究チームは、5Gエレクトロニクスにおける速度と効率で知られる159個の試作窒化ガリウムトランジスタ（GaN HEMT）のデータを使用して、Quantum Kernel-Aligned Regressor（QKAR）と呼ばれる新しい機械学習アーキテクチャを開発しました。
QKARは古典データを量子状態に変換し、量子システムが複雑な関係性を判断できるようにします。そして、古典アルゴリズムがその理解に基づいて学習し、チップ製造プロセスを導く予測モデルを作成します。
5つの新しいモデルでテストしたところ、QKARはディープラーニングや勾配ブースティング法を含む7つの主要な従来モデルよりも優れた性能を発揮しました。具体的な指標は公表されていませんが、QKARは従来モデル（0.338Ω/mm）よりも大幅に優れた結果を達成しました。
重要なのは、QKARが現実世界の量子ハードウェアと互換性を持つように設計されており、量子技術の進歩に伴い、現実世界のチップ製造への実装への道が開かれていることです。科学者たちは、このアプローチが半導体における多次元効果を効果的に処理できると信じており、チップ産業に明るい未来をもたらすと期待しています。
出典: https://dantri.com.vn/khoa-hoc/lan-dau-tien-su-dung-cong-nghe-luong-tu-de-tao-ra-chat-ban-dan-20250730020740216.htm
コメント (0)