Ilmuwan menggunakan pembelajaran mesin kuantum untuk membuat semikonduktor untuk pertama kalinya – dan itu bisa mengubah bagaimana chip dibuat
Microchips daya hampir setiap perangkat modern – telepon, laptop, dan bahkan lemari es. Namun di balik layar, membuatnya adalah proses yang kompleks. Tetapi para peneliti mengatakan mereka telah menemukan cara untuk memanfaatkan kekuatan komputasi kuantum untuk membuatnya lebih sederhana.
Ilmuwan di Australia telah mengembangkan teknik pembelajaran mesin kuantum – perpaduan kecerdasan buatan (Ai) dan Komputasi kuantum Prinsip – Itu bisa mengubah cara microchips dibuat.
Mereka menguraikan temuan mereka dalam sebuah studi baru yang diterbitkan 23 Juni di jurnal Ilmu Tingkat Lanjut. Di dalamnya, para peneliti menunjukkan untuk pertama kalinya bagaimana algoritma pembelajaran mesin kuantum dapat secara signifikan meningkatkan proses yang menantang pemodelan resistensi listrik di dalam chip – faktor kunci yang mempengaruhi seberapa efisien kinerjanya.
Kuantum Machine Learning adalah pendekatan hibrida yang menggabungkan data klasik dengan metode komputasi kuantum. Dalam komputasi klasik, data disimpan dalam bit yang dikodekan sebagai 0 atau 1. Komputer kuantum menggunakan qubit dan, berkat prinsip -prinsip seperti superposisi dan keterjeratan, qubit dapat ada di banyak negara secara bersamaan – sehingga dua qubit dapat 00, 01, 10 dan 11 secara bersamaan.
Ini memungkinkan sistem komputasi kuantum untuk memproses hubungan matematika yang kompleks lebih cepat daripada sistem klasik – dengan pemrosesan paralel meningkatkan secara eksponensial semakin banyak qubit yang Anda tambahkan ke sistem
Pembelajaran mesin kuantum mengambil data klasik dan mengkodekannya dalam keadaan kuantum. Komputer kuantum kemudian dapat mengungkap pola dalam data yang akan sulit untuk dideteksi oleh sistem klasik. Sistem klasik kemudian mengambil alih untuk menafsirkan hasil atau menerapkannya.
Terkait: Algoritma 'Quantum AI' sudah melebihi superkomputer tercepat, kata studi
Di dalam proses pembuatan chip
Fabrikasi semikonduktor adalah proses multistep yang kompleks yang membutuhkan ketepatan yang melelahkan – dan setiap langkah harus dilakukan dengan akurasi yang ekstrem. Bahkan misalignment terkecil dapat menyebabkan chip gagal.
Ini pertama -tama melibatkan penumpukan dan memahat seringkali ratusan lapisan mikroskopis ke wafer silikon – sepotong silikon yang tipis dan melingkar yang membentuk fondasi chip.
Deposisi melapisi film tipis material ke wafer. Lapisan photoresist menerapkan bahan sensitif ringan yang memungkinkan pola yang tepat-proses menciptakan bentuk kecil dan kompleks yang menentukan sirkuit chip.
Dalam litografi, cahaya mentransfer pola -pola itu ke permukaan wafer. Etsa kemudian menghilangkan area material yang dipilih untuk mengukir struktur sirkuit. Implantasi ion menyesuaikan sifat listrik dari setiap lapisan dengan menanamkan partikel bermuatan. Akhirnya, chip dikemas, yang berarti terbungkus dan terhubung sehingga dapat diintegrasikan ke dalam perangkat.
Di situlah prinsip -prinsip komputasi kuantum berperan. Dalam penelitian ini, para peneliti fokus pada pemodelan resistensi kontak ohmik – tantangan yang sangat sulit dalam pembuatan chip. Ini adalah ukuran seberapa mudah mengalir listrik antara logam dan lapisan semikonduktor chip; Semakin rendah ini, kinerja yang lebih cepat dan lebih hemat energi.
Langkah ini datang setelah bahan -bahan berlapis dan berpola ke wafer, dan memainkan peran penting dalam menentukan seberapa baik chip yang sudah jadi akan berfungsi. Tetapi memodelkannya secara akurat telah menjadi masalah.
Insinyur biasanya mengandalkan algoritma pembelajaran mesin klasik, yang mempelajari pola dari data untuk membuat prediksi, untuk perhitungan semacam ini. Meskipun ini bekerja dengan baik dengan set data yang besar dan bersih, eksperimen semikonduktor sering menghasilkan kumpulan data kecil dan berisik dengan pola nonlinier, yang merupakan tempat pembelajaran mesin dapat gagal. Untuk mengatasi hal ini, para peneliti beralih ke pembelajaran mesin kuantum.
Jenis algoritma baru
Tim ini bekerja dengan data dari 159 sampel eksperimental transistor mobilitas elektron tinggi gallium nitrida (GAN Hemts)-semikonduktor yang dikenal karena kecepatan dan efisiensi mereka, yang biasa digunakan dalam elektronik dan perangkat 5G.
Pertama, mereka mengidentifikasi variabel fabrikasi mana yang memiliki dampak terbesar pada resistensi kontak ohmik, mempersempit dataset ke input yang paling relevan. Kemudian mereka mengembangkan arsitektur pembelajaran mesin baru yang disebut Regressor Aligned (QKAR) yang dijalankan oleh kuantum.
QKAR mengubah data klasik menjadi status kuantum, memungkinkan sistem kuantum untuk kemudian mengidentifikasi hubungan yang kompleks dalam data. Algoritma klasik kemudian belajar dari wawasan itu, menciptakan model prediktif untuk memandu fabrikasi chip. Mereka menguji model pada lima sampel baru yang tidak termasuk dalam data pelatihan.
Model baru ini diuji pada sampel -sampel ini terhadap tujuh model klasik terkemuka, termasuk pembelajaran mendalam dan metode peningkatan gradien dan mengungguli semuanya. QKAR mencapai hasil yang secara signifikan lebih baik daripada yang dicapai dengan menggunakan model tradisional (0,338 ohm per milimeter) – meskipun angka spesifik tidak dimasukkan dalam penelitian ini.
Yang penting, bagaimanapun, itu dirancang untuk kompatibel dengan perangkat keras dunia nyata, yang berarti dapat digunakan pada mesin kuantum karena menjadi lebih dapat diandalkan.
“Temuan ini menunjukkan potensi [quantum machine learning] QML untuk menangani tugas regresi sampel kecil, sampel kecil dalam domain semikonduktor, “tulis para ilmuwan dalam penelitian ini. Mereka menambahkan bahwa metode tersebut dapat segera diterapkan pada produksi chip dunia nyata, terutama karena perangkat keras kuantum terus berkembang.
