Första användningen av kvantteknik för att skapa halvledare

(Dan Tri) – Forskare använder kvantmaskininlärning för att skapa halvledare, ett genombrott som helt skulle kunna förändra hur chips tillverkas.

Denna nya teknik lovar en ljus framtid för chiptillverkningsindustrin (Foto: Getty).

AI hjälper till att förenkla processen att designa och tillverka chips

Forskare i Australien har banat väg för en teknik för kvantmaskininlärning (QML) som kombinerar artificiell intelligens (AI) och kvantberäkning, med syftet att förenkla design och tillverkning av komplexa chips – hjärtat i nästan alla moderna elektroniska enheter.

Detta arbete visar hur QML-algoritmer avsevärt kan förbättra modelleringen av intern chipresistans, en nyckelfaktor som påverkar chipets prestanda.

Till skillnad från klassiska datorer, som använder bitar som antingen är 0 eller 1, använder kvantdatorer qubits. Tack vare principer som superposition och entanglement kan qubits existera i flera tillstånd samtidigt, vilket gör att de kan bearbeta komplexa matematiska samband mycket snabbare än klassiska system.

QML kodar klassisk data till ett kvanttillstånd, vilket gör att en kvantdator kan upptäcka datamönster som är svåra för ett klassiskt system att upptäcka. Ett klassiskt system tar sedan över för att tolka eller tillämpa dessa resultat.

Svårigheter inom chiptillverkning och kvantlösningar

Halvledartillverkning är en komplex och mycket precis process som involverar flera steg: stapling och formning av hundratals mikroskopiska lager på en kiselskiva, materialavsättning, fotoresistbeläggning, litografi, etsning och jonimplantation. Slutligen paketeras chipet för integration i en enhet.

I den här studien fokuserade forskarna på att modellera ohmsk kontaktresistans – en särskilt svår utmaning inom chiptillverkning. Detta är ett mått på hur lätt ström flyter mellan metall- och halvledarskikten i ett chip; ju lägre värde, desto snabbare och mer energieffektiv prestanda.

Att noggrant modellera detta motstånd är viktigt men svårt med klassiska maskininlärningsalgoritmer, särskilt när man arbetar med små, brusiga och icke-linjära datamängder som vanligtvis förekommer i halvledarexperiment.

Det är här kvantmaskininlärning kommer in i bilden.

Med hjälp av data från 159 prototyper av galliumnitridtransistorer (GaN HEMT), kända för sin hastighet och effektivitet inom 5G-elektronik, utvecklade teamet en ny maskininlärningsarkitektur som kallas Quantum Kernel-Aligned Regressor (QKAR).

QKAR omvandlar klassisk data till kvanttillstånd, vilket gör att kvantsystemet kan bestämma komplexa samband. En klassisk algoritm lär sig sedan av den förståelsen för att skapa en prediktiv modell som hjälper till att vägleda chiptillverkningsprocessen.

När QKAR testades på fem nya modeller överträffade den sju ledande klassiska modeller, inklusive djupinlärning och gradientförstärkningsmetoder. Även om specifika mätvärden inte avslöjades uppnådde QKAR betydligt bättre resultat än de traditionella modellerna (0,338 ohm per millimeter).

Viktigt är att QKAR är utformad för att vara kompatibel med praktisk kvanthårdvara, vilket öppnar dörren för dess implementering i verklig chiptillverkning i takt med att kvanttekniken fortsätter att utvecklas. Forskare tror att denna metod effektivt kan hantera flerdimensionella effekter inom halvledarområdet, vilket lovar en ljus framtid för chipindustrin.

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