Kuhl Racing推出改装版普拉多 正式亮相东京改装沙龙

微芯片几乎为所有现代设备提供动力——手机、笔记本电脑甚至冰箱。但在幕后，制作它们是一个复杂的过程。但研究人员表示，他们已经找到了一种方法来利用量子计算的力量，使其变得更简单。

澳大利亚的科学家开发了一种量子机器学习技术——人工智能 （AI） 和量子计算原理的结合——可能会改变微芯片的制造方式。

他们在 6 月 23 日发表在《先进科学》杂志上的一项新研究中概述了他们的发现。在其中，研究人员首次展示了量子机器学习算法如何显着改善芯片内部电阻建模的挑战性过程——这是影响其性能效率的关键因素。

量子机器学习是一种将经典数据与量子计算方法相结合的混合方法。在经典计算中，数据以编码为 0 或 1 的位存储。量子计算机使用量子比特，并且由于叠加和纠缠等原理，量子比特可以同时以多种状态存在，因此两个量子比特可以同时为 00、01、10 和 11。

这使得量子计算系统能够比经典系统更快地处理复杂的数学关系，并行处理随着添加到系统的量子比特越多，并行处理就会呈指数级增长

量子机器学习获取经典数据并将其编码为量子态。然后，量子计算机可以发现经典系统难以检测到的数据模式。然后，经典系统接管解释或应用结果。

芯片制造过程内部

半导体制造是一个复杂的多步骤过程，需要艰苦的精度，并且每个步骤都必须以极高的精度执行。即使是最小的不对中也会导致芯片失效。

这首先涉及在硅片上堆叠和雕刻数百个微观层——硅片是形成芯片基础的薄圆形硅片。

将材料薄膜层沉积到晶圆上。光刻胶涂层应用了一种光敏材料，可实现精确的图案化——创建定义芯片电路的微小、复杂形状的过程。

在光刻技术中，光将这些图案转移到晶圆表面。然后蚀刻去除选定的材料区域以雕刻出电路结构。离子注入通过嵌入带电粒子来调整每一层的电性能。最后，芯片被封装，这意味着它被封装和连接，以便可以集成到设备中。

这就是量子计算原理发挥作用的地方。在这项研究中，研究人员专注于对欧姆接触电阻进行建模——这是芯片制造中一项特别困难的挑战。这是衡量芯片金属层和半导体层之间电流流动难易程度的指标;这个值越低，性能就越快、越节能。

此步骤是在材料分层和图案化到晶圆上之后进行的，它在确定成品芯片的功能方面起着至关重要的作用。但准确建模一直是一个问题。

工程师通常依靠经典的机器学习算法来进行此类计算，该算法从数据中学习模式以做出预测。虽然这适用于大型、干净的数据集，但半导体实验通常会产生具有非线性模式的小型、嘈杂的数据集，而这正是机器学习可能存在不足的地方。为了解决这个问题，研究人员转向了量子机器学习。

一种新型算法

该团队使用了 159 个氮化镓高电子迁移率晶体管 （GaN HEMT） 实验样品的数据，氮化镓高电子迁移率晶体管 （GaN HEMT） 是一种以其速度和效率而闻名的半导体，通常用于电子和 5G 设备。

首先，他们确定了哪些制造变量对欧姆接触电阻影响最大，将数据集缩小到最相关的输入。然后他们开发了一种新的机器学习架构，称为量子内核对齐回归器 （QKAR）。

QKAR 将经典数据转换为量子态，使量子系统能够识别数据中的复杂关系。然后，经典算法从这些见解中学习，创建一个预测模型来指导芯片制造。他们在训练数据中未包含的五个新样本上测试了该模型。

新模型在这些样本上与七种领先的经典模型进行了测试，包括深度学习和梯度提升方法，它的性能优于所有模型。QKAR 取得的结果明显优于使用传统模型（每毫米 0.338 欧姆）——尽管研究中没有包括具体数字。

然而，重要的是，它被设计为与现实世界的硬件兼容，这意味着它可以部署在量子机器上，因为它们变得更加可靠。

“这些发现证明了 [量子机器学习] QML 在有效处理半导体领域中的高维、小样本回归任务方面的潜力，”科学家们在研究中写道。他们补充说，该方法可能很快就会应用于现实世界的芯片生产，特别是随着量子硬件的不断发展。