Pierwsze zastosowanie technologii kwantowej do tworzenia półprzewodników

(Dan Tri) - Naukowcy wykorzystują kwantowe uczenie maszynowe do tworzenia półprzewodników. To przełom, który może całkowicie zmienić sposób produkcji układów scalonych.

Ta nowa technologia obiecuje świetlaną przyszłość dla branży produkcji układów scalonych (zdjęcie: Getty).

Sztuczna inteligencja pomaga uprościć proces projektowania i produkcji układów scalonych

Naukowcy w Australii opracowali pionierską technikę uczenia maszynowego kwantowego (QML), która łączy w sobie sztuczną inteligencję (AI) i obliczenia kwantowe. Jej celem jest uproszczenie projektowania i produkcji złożonych układów scalonych – serca niemal każdego współczesnego urządzenia elektronicznego.

W pracy pokazano, w jaki sposób algorytmy QML mogą znacząco poprawić modelowanie wewnętrznej rezystancji układu scalonego, kluczowego czynnika wpływającego na wydajność układu scalonego.

W przeciwieństwie do komputerów klasycznych, które używają bitów o wartości 0 lub 1, komputery kwantowe wykorzystują kubity. Dzięki zasadom takim jak superpozycja i splątanie, kubity mogą występować w wielu stanach jednocześnie, co pozwala im przetwarzać złożone zależności matematyczne znacznie szybciej niż systemy klasyczne.

Język QML koduje dane klasyczne do stanu kwantowego, umożliwiając komputerowi kwantowemu odkrycie wzorców danych, które są trudne do wykrycia przez system klasyczny. Następnie system klasyczny przejmuje interpretację lub zastosowanie tych wyników.

Trudności w produkcji układów scalonych i rozwiązaniach kwantowych

Produkcja półprzewodników to złożony, niezwykle precyzyjny proces, który obejmuje kilka etapów: układanie i kształtowanie setek mikroskopijnych warstw na płytce krzemowej, osadzanie materiału, nakładanie powłoki fotorezystu, litografię, trawienie i implantację jonów. Na koniec układ scalony jest pakowany w celu integracji z urządzeniem.

W tym badaniu naukowcy skupili się na modelowaniu rezystancji styku omowego – szczególnie trudnego wyzwania w produkcji układów scalonych. Jest to miara łatwości przepływu prądu między warstwą metalu i półprzewodnika w układzie scalonym; im niższa wartość, tym szybsza i bardziej energooszczędna wydajność.

Dokładne modelowanie tego oporu jest ważne, ale trudne w przypadku klasycznych algorytmów uczenia maszynowego, zwłaszcza w przypadku małych, zaszumionych i nieliniowych zbiorów danych powszechnie spotykanych w eksperymentach nad półprzewodnikami.

Tu właśnie pojawia się kwantowe uczenie maszynowe.

Wykorzystując dane z 159 prototypowych tranzystorów azotku galu (GaN HEMT), znanych ze swojej szybkości i wydajności w elektronice 5G, zespół opracował nową architekturę uczenia maszynowego zwaną Quantum Kernel-Aligned Regressor (QKAR).

QKAR konwertuje dane klasyczne na stany kwantowe, umożliwiając układowi kwantowemu określenie złożonych zależności. Algorytm klasyczny uczy się następnie na podstawie tej wiedzy, tworząc model predykcyjny, który pomaga w procesie produkcji układów scalonych.

W testach na pięciu nowych modelach, QKAR przewyższył siedem wiodących modeli klasycznych, w tym metody głębokiego uczenia i wzmacniania gradientowego. Chociaż nie ujawniono konkretnych metryk, QKAR osiągnął znacznie lepsze wyniki niż modele tradycyjne (0,338 oma na milimetr).

Co ważne, QKAR został zaprojektowany z myślą o kompatybilności z praktycznym sprzętem kwantowym, co otwiera drogę do jego wdrożenia w produkcji rzeczywistych układów scalonych w miarę postępu technologii kwantowej. Naukowcy uważają, że ta metoda może skutecznie radzić sobie z efektami wielowymiarowymi w dziedzinie półprzewodników, obiecując świetlaną przyszłość dla branży układów scalonych.

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