Første bruk av kvanteteknologi for å lage halvledere

(Dan Tri) – Forskere bruker kvantemaskinlæring til å lage halvledere, et gjennombrudd som fullstendig kan endre måten brikker produseres på.

Denne nye teknologien lover en lys fremtid for chipproduksjonsindustrien (Foto: Getty).

AI bidrar til å forenkle prosessen med å designe og produsere brikker

Forskere i Australia har utviklet en teknikk for kvantemaskinlæring (QML) som kombinerer kunstig intelligens (KI) og kvantedatamaskin, med sikte på å forenkle design og produksjon av komplekse brikker – hjertet i nesten alle moderne elektroniske enheter.

Dette arbeidet demonstrerer hvordan QML-algoritmer kan forbedre modelleringen av intern chipmotstand betydelig, en nøkkelfaktor som påvirker brikkens ytelse.

I motsetning til klassiske datamaskiner, som bruker biter som enten er 0 eller 1, bruker kvantedatamaskiner qubits. Takket være prinsipper som superposisjon og entanglement kan qubits eksistere i flere tilstander samtidig, noe som lar dem behandle komplekse matematiske forhold mye raskere enn klassiske systemer.

QML koder klassiske data inn i en kvantetilstand, slik at en kvantedatamaskin kan oppdage datamønstre som er vanskelige for et klassisk system å oppdage. Et klassisk system tar deretter over for å tolke eller anvende disse resultatene.

Vanskeligheter med chipproduksjon og kvanteløsninger

Halvlederproduksjon er en kompleks og svært presis prosess som involverer flere trinn: stabling og forming av hundrevis av mikroskopiske lag på en silisiumskive, materialavsetning, fotoresistbelegg, litografi, etsning og ionimplantasjon. Til slutt pakkes brikken for integrering i en enhet.

I denne studien fokuserte forskerne på å modellere ohmsk kontaktmotstand – en spesielt vanskelig utfordring innen brikkeproduksjon. Dette er et mål på hvor lett strøm flyter mellom metall- og halvlederlagene i en brikke; jo lavere verdi, desto raskere og mer energieffektiv er ytelsen.

Nøyaktig modellering av denne motstanden er viktig, men vanskelig med klassiske maskinlæringsalgoritmer, spesielt når man har å gjøre med små, støyende og ikke-lineære datasett som ofte forekommer i halvledereksperimenter.

Det er her kvantemaskinlæring kommer inn i bildet.

Ved å bruke data fra 159 prototype galliumnitridtransistorer (GaN HEMT-er), kjent for sin hastighet og effektivitet innen 5G-elektronikk, utviklet teamet en ny maskinlæringsarkitektur kalt Quantum Kernel-Aligned Regressor (QKAR).

QKAR konverterer klassiske data til kvantetilstander, slik at kvantesystemet kan bestemme komplekse sammenhenger. En klassisk algoritme lærer deretter fra denne forståelsen for å lage en prediktiv modell som bidrar til å veilede chipfabrikasjonsprosessen.

Da QKAR ble testet på fem nye modeller, overgikk den syv ledende klassiske modeller, inkludert metoder for dyp læring og gradientforsterkning. Selv om spesifikke målinger ikke ble offentliggjort, oppnådde QKAR betydelig bedre resultater enn de tradisjonelle modellene (0,338 ohm per millimeter).

Det er viktig å merke seg at QKAR er designet for å være kompatibel med praktisk kvantemaskinvare, noe som åpner døren for implementering i reell chipproduksjon etter hvert som kvanteteknologien fortsetter å utvikle seg. Forskere mener at denne metoden effektivt kan håndtere flerdimensjonale effekter innen halvlederfeltet, noe som lover en lys fremtid for chipindustrien.

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