เทคโนโลยีใหม่นี้สัญญาว่าจะสร้างอนาคตที่สดใสให้กับอุตสาหกรรมการผลิตชิป (ภาพ: Getty)
AI ช่วยลดความยุ่งยากของกระบวนการออกแบบและผลิตชิป
นักวิจัยในออสเตรเลียได้ริเริ่มเทคนิคการเรียนรู้ของเครื่องควอนตัม (QML) ที่ผสมผสานปัญญาประดิษฐ์ (AI) และการประมวลผลควอนตัม โดยมีเป้าหมายเพื่อลดความซับซ้อนของการออกแบบและการผลิตชิปที่ซับซ้อน ซึ่งเป็นหัวใจสำคัญของอุปกรณ์อิเล็กทรอนิกส์สมัยใหม่แทบทุกชนิด
งานนี้แสดงให้เห็นว่าอัลกอริทึม QML สามารถปรับปรุงการสร้างแบบจำลองความต้านทานชิปภายในซึ่งเป็นปัจจัยสำคัญที่ส่งผลต่อประสิทธิภาพของชิปได้อย่างมีนัยสำคัญ
คอมพิวเตอร์ควอนตัมใช้คิวบิต ต่างจากคอมพิวเตอร์แบบดั้งเดิมที่ใช้บิตเป็น 0 หรือ 1 ด้วยหลักการอย่างการซ้อนทับและการพันกัน คิวบิตจึงสามารถอยู่ในสถานะหลายสถานะพร้อมกันได้ ทำให้สามารถประมวลผลความสัมพันธ์ทางคณิตศาสตร์ที่ซับซ้อนได้เร็วกว่าระบบแบบดั้งเดิมมาก
QML เข้ารหัสข้อมูลคลาสสิกให้เป็นสถานะควอนตัม ทำให้คอมพิวเตอร์ควอนตัม สามารถค้นพบ รูปแบบในข้อมูลที่ระบบคลาสสิกตรวจจับได้ยาก จากนั้นระบบคลาสสิกจะเข้ามาทำหน้าที่แปลความหมายหรือประยุกต์ใช้ผลลัพธ์เหล่านี้
ความยากลำบากในการผลิตชิปและโซลูชันควอนตัม
การผลิตเซมิคอนดักเตอร์เป็นกระบวนการที่ซับซ้อนและต้องใช้ความแม่นยำทางวิศวกรรม ซึ่งมีหลายขั้นตอน ได้แก่ การซ้อนและขึ้นรูปชั้นจุลภาคหลายร้อยชั้นลงบนแผ่นเวเฟอร์ซิลิคอน การสะสมวัสดุ การเคลือบโฟโตเรซิสต์ การพิมพ์หิน การกัดกรด และการฝังไอออน ในขั้นตอนสุดท้าย ชิปจะถูกบรรจุเพื่อนำไปประกอบเข้ากับอุปกรณ์
ในการศึกษานี้ นักวิทยาศาสตร์ มุ่งเน้นไปที่การสร้างแบบจำลองความต้านทานการสัมผัสแบบโอห์มิก ซึ่งเป็นความท้าทายที่ยากเป็นพิเศษในการผลิตชิป ความต้านทานนี้เป็นการวัดความง่ายในการไหลของกระแสไฟฟ้าระหว่างชั้นโลหะและชั้นสารกึ่งตัวนำของชิป ยิ่งค่าต่ำ ประสิทธิภาพการทำงานก็จะยิ่งเร็วขึ้นและประหยัดพลังงานมากขึ้น
การสร้างแบบจำลองความต้านทานนี้ให้แม่นยำเป็นสิ่งสำคัญแต่ทำได้ยากด้วยอัลกอริทึมการเรียนรู้ของเครื่องแบบคลาสสิก โดยเฉพาะอย่างยิ่งเมื่อต้องจัดการกับชุดข้อมูลขนาดเล็ก มีสัญญาณรบกวน และไม่เป็นเชิงเส้น ซึ่งมักพบในการทดลองเซมิคอนดักเตอร์
นี่คือที่มาของการเรียนรู้ของเครื่องควอนตัม
ทีมงานได้พัฒนาสถาปัตยกรรมการเรียนรู้ของเครื่องจักรใหม่ที่เรียกว่า Quantum Kernel-Aligned Regressor (QKAR) โดยใช้ข้อมูลจากทรานซิสเตอร์แกลเลียมไนไตรด์ต้นแบบ 159 ตัว (GaN HEMTs) ซึ่งเป็นที่รู้จักในเรื่องความเร็วและประสิทธิภาพในอุปกรณ์อิเล็กทรอนิกส์ 5G
QKAR แปลงข้อมูลแบบคลาสสิกเป็นสถานะควอนตัม ช่วยให้ระบบควอนตัมสามารถกำหนดความสัมพันธ์ที่ซับซ้อนได้ จากนั้นอัลกอริทึมแบบคลาสสิกจะเรียนรู้จากความเข้าใจนั้นเพื่อสร้างแบบจำลองเชิงทำนายที่ชี้นำกระบวนการผลิตชิป
เมื่อทดสอบกับโมเดลใหม่ห้าโมเดล QKAR มีประสิทธิภาพเหนือกว่าโมเดลคลาสสิกชั้นนำเจ็ดโมเดล รวมถึงวิธีการเรียนรู้เชิงลึกและการเพิ่มประสิทธิภาพแบบไล่ระดับ แม้ว่าจะไม่ได้เปิดเผยค่าเมตริกเฉพาะ แต่ QKAR ก็ให้ผลลัพธ์ที่ดีกว่าโมเดลดั้งเดิมอย่างมีนัยสำคัญ (0.338 โอห์มต่อมิลลิเมตร)
ที่สำคัญ QKAR ได้รับการออกแบบมาให้ใช้งานร่วมกับฮาร์ดแวร์ควอนตัมในโลกแห่งความเป็นจริง ซึ่งเปิดโอกาสให้นำไปประยุกต์ใช้ในการผลิตชิปในโลกแห่งความเป็นจริงได้ ขณะที่เทคโนโลยีควอนตัมยังคงพัฒนาอย่างต่อเนื่อง นักวิทยาศาสตร์เชื่อว่าวิธีการนี้สามารถจัดการกับผลกระทบหลายมิติในเซมิคอนดักเตอร์ได้อย่างมีประสิทธิภาพ ซึ่งสร้างอนาคตที่สดใสให้กับอุตสาหกรรมชิป
ที่มา: https://dantri.com.vn/khoa-hoc/lan-dau-tien-su-dung-cong-nghe-luong-tu-de-tao-ra-chat-ban-dan-20250730020740216.htm
การแสดงความคิดเห็น (0)