Перше використання квантової технології для створення напівпровідників

(Ден Трі) - Вчені використовують квантове машинне навчання для створення напівпровідників, що є проривом, який може повністю змінити спосіб виробництва чіпів.

Ця нова технологія обіцяє світле майбутнє для індустрії виробництва мікросхем (Фото: Getty).

Штучний інтелект допомагає спростити процес проектування та виробництва чіпів

Дослідники в Австралії започаткували метод квантового машинного навчання (QML), який поєднує штучний інтелект (ШІ) та квантові обчислення, прагнучи спростити проектування та виробництво складних мікросхем – серця майже кожного сучасного електронного пристрою.

Ця робота демонструє, як алгоритми QML можуть значно покращити моделювання внутрішнього опору мікросхеми, ключового фактора, що впливає на продуктивність мікросхеми.

На відміну від класичних комп'ютерів, які використовують біти, що дорівнюють 0 або 1, квантові комп'ютери використовують кубіти. Завдяки таким принципам, як суперпозиція та заплутаність, кубіти можуть існувати в кількох станах одночасно, що дозволяє їм обробляти складні математичні співвідношення набагато швидше, ніж класичні системи.

QML кодує класичні дані в квантовий стан, дозволяючи квантовому комп'ютеру виявляти шаблони даних, які важко виявити класичній системі. Потім класична система бере на себе інтерпретацію або застосування цих результатів.

Труднощі у виробництві чіпів та квантових рішеннях

Виробництво напівпровідників – це складний, високоточний процес, який включає кілька етапів: укладання та формування сотень мікроскопічних шарів на кремнієву пластину, осадження матеріалу, нанесення фоторезистного покриття, літографію, травлення та іонну імплантацію. Нарешті, чіп упаковується для інтеграції в пристрій.

У цьому дослідженні вчені зосередилися на моделюванні омічного контактного опору – особливо складного завдання у виробництві мікросхем. Це міра того, наскільки легко струм протікає між металевим та напівпровідниковим шарами мікросхеми; чим нижче значення, тим швидша та енергоефективніша продуктивність.

Точне моделювання цього опору є важливим, але складним за допомогою класичних алгоритмів машинного навчання, особливо при роботі з малими, зашумленими та нелінійними наборами даних, які зазвичай зустрічаються в експериментах з напівпровідниками.

Саме тут і з'являється квантове машинне навчання.

Використовуючи дані 159 прототипів транзисторів на основі нітриду галію (GaN HEMT), відомих своєю швидкістю та ефективністю в електроніці 5G, команда розробила нову архітектуру машинного навчання під назвою Quantum Kernel-Aligned Regressor (QKAR).

QKAR перетворює класичні дані в квантові стани, дозволяючи квантовій системі визначати складні взаємозв'язки. Потім класичний алгоритм навчається на основі цього розуміння, щоб створити прогнозну модель, яка допомагає керувати процесом виготовлення чіпа.

Під час тестування на п'яти нових моделях QKAR перевершив сім провідних класичних моделей, включаючи методи глибокого навчання та градієнтного підсилення. Хоча конкретні показники не розголошуються, QKAR досяг значно кращих результатів, ніж традиційні моделі (0,338 Ом на міліметр).

Важливо, що QKAR розроблений для сумісності з практичним квантовим обладнанням, що відкриває можливості для його впровадження у реальному виробництві мікросхем, оскільки квантова технологія продовжує розвиватися. Вчені вважають, що цей метод може ефективно впоратися з багатовимірними ефектами в галузі напівпровідників, обіцяючи світле майбутнє для індустрії мікросхем.

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