Yarı iletkenler oluşturmak için kuantum teknolojisinin ilk kullanımı

(Dan Tri) - Bilim insanları, çiplerin üretim şeklini tamamen değiştirebilecek bir atılımla, yarı iletkenler üretmek için kuantum makine öğrenimini kullanıyor.

Bu yeni teknoloji, çip üretim endüstrisi için parlak bir gelecek vadediyor (Fotoğraf: Getty).

Yapay zeka, çiplerin tasarlanma ve üretilme sürecini basitleştirmeye yardımcı oluyor

Avustralyalı araştırmacılar, yapay zekâ (AI) ve kuantum hesaplamayı birleştiren bir kuantum makine öğrenimi (QML) tekniğine öncülük ederek, neredeyse her modern elektronik cihazın kalbi olan karmaşık çiplerin tasarımını ve üretimini basitleştirmeyi amaçlıyor.

Bu çalışma, QML algoritmalarının, çip performansını etkileyen önemli bir faktör olan iç çip direncinin modellenmesini nasıl önemli ölçüde iyileştirebileceğini göstermektedir.

0 veya 1 bitleri kullanan klasik bilgisayarların aksine, kuantum bilgisayarları kübitler kullanır. Süperpozisyon ve dolanıklık gibi ilkeler sayesinde kübitler aynı anda birden fazla durumda bulunabilir ve bu da karmaşık matematiksel ilişkileri klasik sistemlere göre çok daha hızlı işlemelerine olanak tanır.

QML, klasik verileri kuantum durumuna kodlayarak, kuantum bilgisayarının klasik bir sistemin tespit etmekte zorlandığı veri kalıplarını keşfetmesini sağlar. Klasik bir sistem daha sonra bu sonuçları yorumlamak veya uygulamak için devreye girer.

Çip üretimindeki zorluklar ve kuantum çözümleri

Yarı iletken üretimi, birkaç adımdan oluşan karmaşık ve son derece hassas bir süreçtir: yüzlerce mikroskobik katmanın bir silikon yonga üzerine istiflenmesi ve şekillendirilmesi, malzeme biriktirme, fotorezist kaplama, litografi, aşındırma ve iyon aşılama. Son olarak, çip bir cihaza entegre edilmek üzere paketlenir.

Bu çalışmada bilim insanları , çip üretiminde özellikle zorlu bir görev olan ohmik temas direncinin modellenmesine odaklandılar. Bu, akımın bir çipin metal ve yarı iletken katmanları arasında ne kadar kolay aktığının bir ölçüsüdür; değer ne kadar düşükse, performans o kadar hızlı ve enerji açısından verimli olur.

Bu direncin doğru bir şekilde modellenmesi, özellikle yarı iletken deneylerinde sıklıkla karşılaşılan küçük, gürültülü ve doğrusal olmayan veri kümeleriyle uğraşırken, klasik makine öğrenme algoritmalarıyla önemli ancak zordur.

İşte kuantum makine öğrenmesi tam da bu noktada devreye giriyor.

5G elektroniğinde hız ve verimlilikleriyle bilinen 159 prototip galyum nitrür transistöründen (GaN HEMT) elde edilen verileri kullanan ekip, Kuantum Çekirdek Hizalı Regresör (QKAR) adı verilen yeni bir makine öğrenme mimarisi geliştirdi.

QKAR, klasik verileri kuantum durumlarına dönüştürerek kuantum sisteminin karmaşık ilişkileri belirlemesini sağlar. Klasik bir algoritma daha sonra bu anlayıştan ders çıkararak çip üretim sürecine rehberlik eden bir tahmin modeli oluşturur.

Beş yeni model üzerinde test edildiğinde QKAR, derin öğrenme ve gradyan artırma yöntemleri de dahil olmak üzere yedi önde gelen klasik modeli geride bıraktı. Belirli metrikler açıklanmasa da QKAR, geleneksel modellerden önemli ölçüde daha iyi sonuçlar elde etti (milimetre başına 0,338 ohm).

Daha da önemlisi, QKAR pratik kuantum donanımlarıyla uyumlu olacak şekilde tasarlanmıştır ve bu da kuantum teknolojisi gelişmeye devam ettikçe gerçek çip üretiminde uygulanmasının önünü açmaktadır. Bilim insanları, bu yöntemin yarı iletken alanındaki çok boyutlu etkileri etkili bir şekilde ele alabileceğine ve çip endüstrisi için parlak bir gelecek vaat ettiğine inanmaktadır.

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