7月4日消息，據(jù)techxplore報道，澳大利亞研究團隊近日開發(fā)出一項具突破性的半導(dǎo)體制程技術(shù)，首次成功應(yīng)用量子機器學習（Quantum Machine Learning，QML）來構(gòu)建模型，提升了半導(dǎo)體制造的精準度與效率，并有望降低芯片生產(chǎn)成本。

眾所周知，先進的半導(dǎo)體加工工藝極具挑戰(zhàn)性，它是現(xiàn)代工程中最復(fù)雜的工藝之一，因為它要求極高的精度，而且即使制造一塊芯片也需要經(jīng)過數(shù)百道工序，例如光刻、薄膜沉積、蝕刻等。

澳大利亞國家研究機構(gòu)——聯(lián)邦科學與工業(yè)研究組織（CSIRO）的研究人員首次利用量子機器學習（Quantum Machine Learning，QML）技術(shù)來構(gòu)建半導(dǎo)體設(shè)計過程中的一個關(guān)鍵步驟——模擬半導(dǎo)體材料的歐姆接觸電阻。歐姆接觸電阻是測量半導(dǎo)體與金屬接觸時產(chǎn)生的電阻，它會影響電流的流動難易程度。

迄今為止，一個關(guān)鍵問題是歐姆接觸電阻的建模非常困難。目前的方法采用經(jīng)典的機器學習 (CML) 算法，但它們需要大量數(shù)據(jù)集，并且在小樣本、非線性設(shè)置下性能會下降。

由澳大利亞聯(lián)邦科學與工業(yè)研究組織 (CSIRO) 量子系統(tǒng)負責人兼教授穆罕默德·烏斯曼 (Muhammad Usman) 領(lǐng)導(dǎo)的澳大利亞研究人員走了一條不同的道路。他們采用量子機器學習 (QML) 方法，對 159 個 GaN HEMT（氮化鎵高電子遷移率晶體管）半導(dǎo)體實驗樣本的數(shù)據(jù)進行分析。這種巧妙的方法融合了經(jīng)典技術(shù)和量子技術(shù)。

首先，他們將眾多制造變量縮小到僅對性能有關(guān)鍵影響的變量。

然后，他們開發(fā)了一種量子核對齊回歸器 (QKAR) 架構(gòu)，將經(jīng)典數(shù)據(jù)轉(zhuǎn)換為量子態(tài)，從而啟動機器學習過程。從數(shù)據(jù)中提取所有特征后，經(jīng)典算法會檢索信息，然后對其進行訓(xùn)練以指導(dǎo)制造過程。QKAR 技術(shù)優(yōu)于針對同一問題開發(fā)的七種不同的 CML 算法。

研究人員寫道：“這些發(fā)現(xiàn)證明了 QML 在半導(dǎo)體領(lǐng)域有效處理高維、小樣本回歸任務(wù)的潛力，并隨著量子硬件的不斷成熟，為其在未來實際應(yīng)用中的部署指明了有希望的途徑。”

除了可能降低半導(dǎo)體行業(yè)的制造成本和提升設(shè)備性能外，這項研究還可能產(chǎn)生其他深遠的影響。隨著量子技術(shù)的不斷發(fā)展，它們或許有助于解決超出傳統(tǒng)計算機能力范圍的復(fù)雜問題。

目前，該團隊的研究成功已經(jīng)發(fā)表在《先進科學》雜志上，首次表明，通過將量子方法應(yīng)用于真實實驗數(shù)據(jù)可以改進半導(dǎo)體制造。