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 os 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 de dados 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 altamente preciso que envolve várias etapas: empilhamento e moldagem de centenas de camadas microscópicas em uma pastilha de silício, deposição do material, revestimento fotorresistente, litografia, corrosão 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 ajuda a orientar 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 prático, abrindo caminho para sua implementação na fabricação de chips reais, à medida que a tecnologia quântica avança. Os cientistas acreditam que este método pode lidar eficazmente com efeitos multidimensionais no campo dos 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