Эта новая технология обещает блестящее будущее отрасли производства микросхем (Фото: Getty).
ИИ помогает упростить процесс проектирования и производства чипов
Исследователи из Австралии разработали технологию квантового машинного обучения (QML), которая объединяет искусственный интеллект (ИИ) и квантовые вычисления с целью упрощения проектирования и производства сложных микросхем — сердца практически каждого современного электронного устройства.
В данной работе показано, как алгоритмы QML могут значительно улучшить моделирование внутреннего сопротивления кристалла — ключевого фактора, влияющего на производительность кристалла.
В отличие от классических компьютеров, которые используют биты, равные либо 0, либо 1, квантовые компьютеры используют кубиты. Благодаря таким принципам, как суперпозиция и запутанность, кубиты могут существовать в нескольких состояниях одновременно, что позволяет им обрабатывать сложные математические соотношения гораздо быстрее, чем классические системы.
QML кодирует классические данные в квантовое состояние, позволяя квантовому компьютеру обнаруживать в данных закономерности, которые классической системе трудно обнаружить. Затем классическая система берёт на себя интерпретацию и применение этих результатов.
Трудности производства чипов и квантовых решений
Производство полупроводников — сложный, высокоточный процесс, включающий несколько этапов: наложение и формование сотен микроскопических слоёв на кремниевую пластину, осаждение материала, нанесение фоторезиста, литографию, травление и ионную имплантацию. Наконец, чип упаковывается для интеграции в устройство.
В данном исследовании учёные сосредоточились на моделировании омического контактного сопротивления — особенно сложной задачи при производстве микросхем. Это мера того, насколько легко ток протекает между металлическими и полупроводниковыми слоями микросхемы; чем ниже это значение, тем быстрее и энергоэффективнее работает устройство.
Точное моделирование этого сопротивления важно, но сложно при использовании классических алгоритмов машинного обучения, особенно при работе с небольшими, зашумленными и нелинейными наборами данных, обычно встречающимися в экспериментах с полупроводниками.
Вот тут-то и вступает в дело квантовое машинное обучение.
Используя данные 159 прототипов транзисторов на основе нитрида галлия (GaN HEMT), которые известны своей скоростью и эффективностью в электронике 5G, команда разработала новую архитектуру машинного обучения под названием Quantum Kernel-Aligned Regressor (QKAR).
QKAR преобразует классические данные в квантовые состояния, позволяя квантовой системе определять сложные взаимосвязи. Затем классический алгоритм обучается на основе этих данных и создает предиктивную модель, которая управляет процессом изготовления чипа.
При тестировании на пяти новых моделях QKAR превзошёл семь ведущих классических моделей, включая методы глубокого обучения и градиентного бустинга. Хотя конкретные показатели не раскрываются, QKAR показал значительно лучшие результаты, чем традиционные модели (0,338 Ом на миллиметр).
Важно отметить, что QKAR разработан с учётом совместимости с реальным квантовым оборудованием, что открывает возможности его внедрения в производство микросхем по мере дальнейшего развития квантовых технологий. Учёные считают, что такой подход позволяет эффективно обрабатывать многомерные эффекты в полупроводниках, что обещает блестящее будущее для индустрии микросхем.
Источник: https://dantri.com.vn/khoa-hoc/lan-dau-tien-su-dung-cong-nghe-luong-tu-de-tao-ra-chat-ban-dan-20250730020740216.htm
Комментарий (0)