Primeiro uso da tecnologia quântica para criar semicondutores

(Dan Tri) - Cientistas usam aprendizado de máquina quântica para criar semicondutores, um avanço que pode mudar completamente a maneira como os chips são fabricados.

Esta nova tecnologia promete um futuro brilhante para a indústria de fabricação de chips (Foto: Getty).

A IA ajuda a simplificar o processo de design e fabricação de chips

Pesquisadores na Austrália foram pioneiros em uma técnica de aprendizado de máquina quântica (QML) que combina inteligência artificial (IA) e computação quântica, com o objetivo de simplificar o design e a fabricação de chips complexos — o coração de quase todos os dispositivos eletrônicos modernos.

Este trabalho demonstra como algoritmos QML podem melhorar significativamente a modelagem da resistência interna do chip, um fator-chave que afeta o desempenho do chip.

Ao contrário dos computadores clássicos, que usam bits 0 ou 1, os computadores quânticos usam qubits. Graças a princípios como superposição e emaranhamento, os qubits podem existir em múltiplos estados simultaneamente, permitindo-lhes processar relações matemáticas complexas muito mais rapidamente do que os sistemas clássicos.

O QML codifica dados clássicos em um estado quântico, permitindo que um computador quântico descubra padrões nos dados que são difíceis de serem detectados por um sistema clássico. Um sistema clássico então assume o controle para interpretar ou aplicar esses resultados.

Dificuldades na fabricação de chips e soluções quânticas

A fabricação de semicondutores é um processo complexo e de engenharia de precisão que envolve várias etapas: empilhamento e moldagem de centenas de camadas microscópicas em um wafer de silício, deposição do material, revestimento fotorresistente, litografia, gravação e implantação iônica. Por fim, o chip é encapsulado para integração em um dispositivo.

Neste estudo, os cientistas se concentraram na modelagem da resistência ôhmica de contato — um desafio particularmente complexo na fabricação de chips. Esta é uma medida da facilidade com que a corrente flui entre as camadas metálica e semicondutora de um chip; quanto menor o valor, mais rápido e energeticamente eficiente é o desempenho.

Modelar com precisão essa resistência é importante, mas difícil com algoritmos clássicos de aprendizado de máquina, especialmente ao lidar com conjuntos de dados pequenos, ruidosos e não lineares comumente encontrados em experimentos com semicondutores.

É aqui que entra o aprendizado de máquina quântica.

Usando dados de 159 protótipos de transistores de nitreto de gálio (GaN HEMTs), conhecidos por sua velocidade e eficiência em eletrônicos 5G, a equipe desenvolveu uma nova arquitetura de aprendizado de máquina chamada Quantum Kernel-Aligned Regressor (QKAR).

O QKAR converte dados clássicos em estados quânticos, permitindo que o sistema quântico determine relações complexas. Um algoritmo clássico então aprende com essa compreensão para criar um modelo preditivo que orienta o processo de fabricação do chip.

Quando testado em cinco novos modelos, o QKAR superou sete modelos clássicos líderes, incluindo métodos de aprendizado profundo e reforço de gradiente. Embora métricas específicas não tenham sido divulgadas, o QKAR obteve resultados significativamente melhores do que os modelos tradicionais (0,338 ohms por milímetro).

É importante ressaltar que o QKAR foi projetado para ser compatível com hardware quântico do mundo real, abrindo caminho para sua implementação na fabricação de chips reais, à medida que a tecnologia quântica avança. Cientistas acreditam que essa abordagem pode lidar eficazmente com efeitos multidimensionais em semicondutores, prometendo um futuro brilhante para a indústria de chips.

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