微芯片幾乎為所有現代設備提供動力——手機、筆記本電腦甚至冰箱。但在幕后，制作它們是一個復雜的過程。但研究人員表示，他們已經找到了一種方法來利用量子計算的力量，使其變得更簡單。

澳大利亞的科學家開發了一種量子機器學習技術——人工智能 （AI） 和量子計算原理的結合——可能會改變微芯片的制造方式。

他們在 6 月 23 日發表在《先進科學》雜志上的一項新研究中概述了他們的發現。在其中，研究人員首次展示了量子機器學習算法如何顯著改善芯片內部電阻建模的挑戰性過程——這是影響其性能效率的關鍵因素。

量子機器學習是一種將經典數據與量子計算方法相結合的混合方法。在經典計算中，數據以編碼為 0 或 1 的位存儲。量子計算機使用量子比特，并且由于疊加和糾纏等原理，量子比特可以同時以多種狀態存在，因此兩個量子比特可以同時為 00、01、10 和 11。

這使得量子計算系統能夠比經典系統更快地處理復雜的數學關系，并行處理隨著添加到系統的量子比特越多，并行處理就會呈指數級增長

量子機器學習獲取經典數據并將其編碼為量子態。然后，量子計算機可以發現經典系統難以檢測到的數據模式。然后，經典系統接管解釋或應用結果。

芯片制造過程內部

半導體制造是一個復雜的多步驟過程，需要艱苦的精度，并且每個步驟都必須以極高的精度執行。即使是最小的不對中也會導致芯片失效。

這首先涉及在硅片上堆疊和雕刻數百個微觀層——硅片是形成芯片基礎的薄圓形硅片。

將材料薄膜層沉積到晶圓上。光刻膠涂層應用了一種光敏材料，可實現精確的圖案化——創建定義芯片電路的微小、復雜形狀的過程。

在光刻技術中，光將這些圖案轉移到晶圓表面。然后蝕刻去除選定的材料區域以雕刻出電路結構。離子注入通過嵌入帶電粒子來調整每一層的電性能。最后，芯片被封裝，這意味著它被封裝和連接，以便可以集成到設備中。

這就是量子計算原理發揮作用的地方。在這項研究中，研究人員專注于對歐姆接觸電阻進行建模——這是芯片制造中一項特別困難的挑戰。這是衡量芯片金屬層和半導體層之間電流流動難易程度的指標;這個值越低，性能就越快、越節能。

此步驟是在材料分層和圖案化到晶圓上之后進行的，它在確定成品芯片的功能方面起著至關重要的作用。但準確建模一直是一個問題。

工程師通常依靠經典的機器學習算法來進行此類計算，該算法從數據中學習模式以做出預測。雖然這適用于大型、干凈的數據集，但半導體實驗通常會產生具有非線性模式的小型、嘈雜的數據集，而這正是機器學習可能存在不足的地方。為了解決這個問題，研究人員轉向了量子機器學習。

一種新型算法

該團隊使用了 159 個氮化鎵高電子遷移率晶體管 （GaN HEMT） 實驗樣品的數據，氮化鎵高電子遷移率晶體管 （GaN HEMT） 是一種以其速度和效率而聞名的半導體，通常用于電子和 5G 設備。

首先，他們確定了哪些制造變量對歐姆接觸電阻影響最大，將數據集縮小到最相關的輸入。然后他們開發了一種新的機器學習架構，稱為量子內核對齊回歸器 （QKAR）。

QKAR 將經典數據轉換為量子態，使量子系統能夠識別數據中的復雜關系。然后，經典算法從這些見解中學習，創建一個預測模型來指導芯片制造。他們在訓練數據中未包含的五個新樣本上測試了該模型。

新模型在這些樣本上與七種領先的經典模型進行了測試，包括深度學習和梯度提升方法，它的性能優于所有模型。QKAR 取得的結果明顯優于使用傳統模型（每毫米 0.338 歐姆）——盡管研究中沒有包括具體數字。

然而，重要的是，它被設計為與現實世界的硬件兼容，這意味著它可以部署在量子機器上，因為它們變得更加可靠。

“這些發現證明了 [量子機器學習] QML 在有效處理半導體領域中的高維、小樣本回歸任務方面的潛力，”科學家們在研究中寫道。他們補充說，該方法可能很快就會應用于現實世界的芯片生產，特別是隨著量子硬件的不斷發展。