ការប្រើប្រាស់បច្ចេកវិទ្យា quantum ជាលើកដំបូងដើម្បីបង្កើត semiconductors

(Dan Tri) - អ្នកវិទ្យាសាស្ត្រប្រើការរៀនម៉ាស៊ីន quantum ដើម្បីបង្កើត semiconductors ដែលជារបកគំហើញដែលអាចផ្លាស់ប្តូរទាំងស្រុងនូវវិធីផលិតបន្ទះសៀគ្វី។

បច្ចេកវិទ្យាថ្មីនេះសន្យាអនាគតដ៏ភ្លឺស្វាងសម្រាប់ឧស្សាហកម្មផលិតបន្ទះឈីប (រូបថត៖ Getty)។

AI ជួយសម្រួលដល់ដំណើរការនៃការរចនា និងផលិតបន្ទះសៀគ្វី

ក្រុមអ្នកស្រាវជ្រាវនៅប្រទេសអូស្ត្រាលីបានត្រួសត្រាយផ្លូវនៃបច្ចេកទេសរៀនម៉ាស៊ីន quantum (QML) ដែលរួមបញ្ចូលគ្នានូវបញ្ញាសិប្បនិម្មិត (AI) និងការគណនាកង់ទិច ក្នុងគោលបំណងធ្វើឱ្យការរចនា និងការផលិតបន្ទះសៀគ្វីស្មុគស្មាញ ដែលជាបេះដូងនៃស្ទើរតែគ្រប់ឧបករណ៍អេឡិចត្រូនិកទំនើបទាំងអស់។

ការងារនេះបង្ហាញពីរបៀបដែល QML algorithms អាចធ្វើអោយប្រសើរឡើងយ៉ាងខ្លាំងនូវគំរូនៃភាពធន់នឹងបន្ទះឈីបខាងក្នុង ដែលជាកត្តាសំខាន់ដែលប៉ះពាល់ដល់ដំណើរការបន្ទះឈីប។

មិនដូចកុំព្យូទ័របុរាណដែលប្រើប៊ីតដែលមានលេខ 0 ឬ 1 កុំព្យូទ័រកង់ទិចប្រើ qubits ។ សូមអរគុណចំពោះគោលការណ៍ដូចជា superposition និង entanglement, qubits អាចមាននៅក្នុងរដ្ឋជាច្រើនក្នុងពេលតែមួយ ដែលអនុញ្ញាតឱ្យពួកគេដំណើរការទំនាក់ទំនងគណិតវិទ្យាដ៏ស្មុគស្មាញលឿនជាងប្រព័ន្ធបុរាណ។

QML អ៊ិនកូដទិន្នន័យបុរាណទៅក្នុងស្ថានភាព quantum ដែលអនុញ្ញាតឱ្យកុំព្យូទ័រ quantum ស្វែងរក គំរូទិន្នន័យដែលពិបាកសម្រាប់ប្រព័ន្ធបុរាណក្នុងការរកឃើញ។ បន្ទាប់មក ប្រព័ន្ធបុរាណនឹងធ្វើការបកស្រាយ ឬអនុវត្តលទ្ធផលទាំងនេះ។

ភាពលំបាកក្នុងការផលិតបន្ទះឈីប និងដំណោះស្រាយ quantum

ការផលិតសារធាតុ semiconductor គឺជាដំណើរការស្មុគ្រស្មាញ និងច្បាស់លាស់ខ្ពស់ ដែលពាក់ព័ន្ធនឹងជំហានជាច្រើន៖ ការដាក់ជង់ និងបង្កើតស្រទាប់មីក្រូទស្សន៍រាប់រយនៅលើ wafer ស៊ីលីកុន ការទម្លាក់សម្ភារៈ ថ្នាំកូត photoresist ការ lithography ការ etching និងការផ្សាំអ៊ីយ៉ុង។ ជាចុងក្រោយ បន្ទះឈីបត្រូវបានខ្ចប់សម្រាប់ការបញ្ចូលទៅក្នុងឧបករណ៍មួយ។

នៅក្នុងការសិក្សានេះ អ្នកវិទ្យាសាស្ត្រ បានផ្តោតទៅលើការធ្វើគំរូនៃភាពធន់នៃទំនាក់ទំនង ohmic ដែលជាបញ្ហាប្រឈមដ៏លំបាកជាពិសេសនៅក្នុងការផលិតបន្ទះឈីប។ នេះគឺជារង្វាស់នៃរបៀបលំហូរចរន្តយ៉ាងងាយស្រួលរវាងស្រទាប់លោហៈ និង semiconductor នៃបន្ទះឈីប។ តម្លៃកាន់តែទាប ដំណើរការលឿន និងសន្សំសំចៃថាមពលកាន់តែច្រើន។

ការធ្វើគំរូដោយភាពត្រឹមត្រូវគឺមានសារៈសំខាន់ ប៉ុន្តែពិបាកជាមួយក្បួនដោះស្រាយការរៀនម៉ាស៊ីនបុរាណ ជាពិសេសនៅពេលដោះស្រាយជាមួយសំណុំទិន្នន័យតូច សំលេងរំខាន និងមិនមែនលីនេអ៊ែរដែលជួបប្រទះជាទូទៅនៅក្នុងការពិសោធន៍ semiconductor ។

នេះគឺជាកន្លែងដែល quantum machine learning ចូលមក។

ដោយប្រើទិន្នន័យពី 159 គំរូដើមត្រង់ស៊ីស្ទ័រ gallium nitride (GaN HEMTs) ដែលត្រូវបានគេស្គាល់ថាសម្រាប់ល្បឿន និងប្រសិទ្ធភាពរបស់ពួកគេនៅក្នុងអេឡិចត្រូនិច 5G ក្រុមការងារបានបង្កើតស្ថាបត្យកម្មរៀនម៉ាស៊ីនថ្មីហៅថា Quantum Kernel-Aligned Regressor (QKAR) ។

QKAR បំប្លែងទិន្នន័យបុរាណទៅជារដ្ឋ Quantum ដែលអនុញ្ញាតឱ្យប្រព័ន្ធ Quantum កំណត់ទំនាក់ទំនងស្មុគ្រស្មាញ។ បន្ទាប់មក ក្បួនដោះស្រាយបុរាណសិក្សាពីការយល់ដឹងនោះ ដើម្បីបង្កើតគំរូទស្សន៍ទាយ ដែលជួយណែនាំដំណើរការផលិតបន្ទះឈីប។

នៅពេលសាកល្បងលើម៉ូដែលថ្មីចំនួនប្រាំ QKAR បានដំណើរការជាងម៉ូដែលបុរាណឈានមុខគេចំនួន 7 រួមទាំងការរៀនស៊ីជម្រៅ និងវិធីសាស្ត្រជំរុញជម្រាល។ ខណៈពេលដែលម៉ែត្រជាក់លាក់មិនត្រូវបានបង្ហាញ QKAR ទទួលបានលទ្ធផលល្អប្រសើរជាងម៉ូដែលប្រពៃណី (0.338 ohms ក្នុងមួយមីលីម៉ែត្រ) ។

សំខាន់ QKAR ត្រូវ​បាន​រចនា​ឡើង​ឱ្យ​ត្រូវ​គ្នា​ជាមួយ​នឹង​ផ្នែក​រឹង quantum ជាក់ស្តែង ដោយ​បើក​ទ្វារ​សម្រាប់​ការ​អនុវត្ត​របស់​ខ្លួន​ក្នុង​ការ​ផលិត​បន្ទះ​ឈីប​ពិត​ប្រាកដ ខណៈ​ដែល​បច្ចេកវិទ្យា quantum បន្ត​រីកចម្រើន។ អ្នកវិទ្យាសាស្ត្រជឿថាវិធីសាស្រ្តនេះអាចដោះស្រាយផលប៉ះពាល់ពហុវិមាត្រក្នុងវិស័យ semiconductor ប្រកបដោយប្រសិទ្ធភាព ដោយសន្យាថានឹងមានអនាគតភ្លឺស្វាងសម្រាប់ឧស្សាហកម្មបន្ទះឈីប។

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