Eerste gebruik van kwantumtechnologie voor het creëren van halfgeleiders

(Dan Tri) - Wetenschappers gebruiken quantum machine learning om halfgeleiders te creëren. Deze doorbraak zou de manier waarop chips worden geproduceerd compleet kunnen veranderen.

Deze nieuwe technologie belooft een mooie toekomst voor de chipindustrie (Foto: Getty).

AI helpt het proces van het ontwerpen en produceren van chips te vereenvoudigen

Australische onderzoekers zijn pioniers geweest met een quantum machine learning (QML)-techniek die kunstmatige intelligentie (AI) en quantum computing combineert. Doel is om het ontwerp en de productie van complexe chips – de kern van vrijwel elk modern elektronisch apparaat – te vereenvoudigen.

Dit werk laat zien hoe QML-algoritmen de modellering van interne chipweerstand aanzienlijk kunnen verbeteren, een belangrijke factor die de chipprestaties beïnvloedt.

In tegenstelling tot klassieke computers, die bits gebruiken die 0 of 1 zijn, gebruiken quantumcomputers qubits. Dankzij principes zoals superpositie en verstrengeling kunnen qubits in meerdere toestanden tegelijk bestaan, waardoor ze complexe wiskundige relaties veel sneller kunnen verwerken dan klassieke systemen.

QML codeert klassieke data in een kwantumtoestand, waardoor een quantumcomputer datapatronen kan ontdekken die voor een klassiek systeem moeilijk te detecteren zijn. Een klassiek systeem neemt vervolgens de interpretatie of toepassing van deze resultaten over.

Moeilijkheden bij de productie van chips en kwantumoplossingen

Halfgeleiderproductie is een complex en zeer nauwkeurig proces dat uit verschillende stappen bestaat: het stapelen en vormen van honderden microscopisch kleine lagen op een siliciumwafer, materiaaldepositie, fotoresistcoating, lithografie, etsen en ionenimplantatie. Ten slotte wordt de chip verpakt voor integratie in een apparaat.

In deze studie concentreerden de wetenschappers zich op het modelleren van ohmse contactweerstand – een bijzonder lastige uitdaging in de chipproductie. Deze weerstand is een maatstaf voor hoe gemakkelijk stroom vloeit tussen de metaal- en halfgeleiderlagen van een chip; hoe lager de waarde, hoe sneller en energiezuiniger de prestaties.

Het nauwkeurig modelleren van deze weerstand is belangrijk, maar lastig met klassieke algoritmen voor machinaal leren, vooral als het gaat om kleine, ruisrijke en niet-lineaire datasets die vaak voorkomen in halfgeleiderexperimenten.

Hier komt quantum machinaal leren om de hoek kijken.

Met behulp van gegevens van 159 prototype galliumnitridetransistoren (GaN HEMT's), die bekend staan ​​om hun snelheid en efficiëntie in 5G-elektronica, ontwikkelde het team een ​​nieuwe machine learning-architectuur genaamd Quantum Kernel-Aligned Regressor (QKAR).

QKAR zet klassieke data om in kwantumtoestanden, waardoor het kwantumsysteem complexe relaties kan bepalen. Een klassiek algoritme leert vervolgens van die inzichten om een ​​voorspellend model te creëren dat het chipfabricageproces helpt sturen.

Bij tests op vijf nieuwe modellen presteerde QKAR beter dan zeven toonaangevende klassieke modellen, inclusief deep learning en gradient boosting-methoden. Hoewel er geen specifieke meetwaarden werden bekendgemaakt, behaalde QKAR aanzienlijk betere resultaten dan de traditionele modellen (0,338 ohm per millimeter).

Belangrijk is dat QKAR is ontworpen om compatibel te zijn met praktische kwantumhardware, wat de deur opent voor implementatie in de echte chipproductie naarmate de kwantumtechnologie zich verder ontwikkelt. Wetenschappers geloven dat deze methode effectief kan omgaan met multidimensionale effecten in de halfgeleiderindustrie, wat een mooie toekomst belooft voor de chipindustrie.

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