Microchips alimentează aproape fiecare dispozitiv modern – telefoane, laptopuri și chiar frigidere. Dar în spatele scenei, a le face este un proces complex. Cercetătorii spun însă că au găsit o modalitate de a atinge puterea calculului cuantic pentru a -l face mai simplu.
Oamenii de știință din Australia au dezvoltat o tehnică cuantică de învățare automată – un amestec de inteligenţă artificială (AI) și Calculare cuantică Principii – care ar putea schimba modul în care sunt făcute microcipurile.
Și -au prezentat concluziile într -un nou studiu publicat pe 23 iunie în Jurnal Știință avansată. În aceasta, cercetătorii au demonstrat pentru prima dată modul în care algoritmii cuantici de învățare automată pot îmbunătăți semnificativ procesul provocator de modelare a rezistenței electrice în interiorul unui cip – un factor cheie care afectează cât de eficient se desfășoară.
Învățarea cuantică automată este o abordare hibridă care combină datele clasice cu metodele de calcul cuantice. În calculul clasic, datele sunt stocate în biți codificate ca 0 sau 1. Calculatoarele cuantice folosesc qubits și, datorită principiilor precum superpoziția și înțelegerea, qubit -urile pot exista în mai multe state simultan – astfel încât două qubituri pot fi 00, 01, 10 și 11 simultan.
Acest lucru permite sistemelor de calcul cuantice să proceseze relații matematice complexe mult mai repede decât sistemele clasice – cu procesarea paralelă care se extinde exponențial cu mai multe qubits pe care le adăugați la un sistem
Învățarea cuantică automată ia date clasice și le codifică în stări cuantice. Computerul cuantic poate descoperi apoi modele din datele care ar fi greu de detectat sistemele clasice. Un sistem clasic preia apoi să interpreteze rezultatele sau să le aplice.
Înrudite: Studiul spune că algoritmii „cuantum ai” depășesc deja cei mai rapizi supercomputeri, spune
În interiorul procesului de fabricare a cipurilor
Fabricarea semiconductorului este un proces complex, multistep, care necesită o precizie dureroasă – și fiecare pas trebuie să fie efectuat cu o precizie extremă. Chiar și cea mai mică aliniere necorespunzătoare poate provoca eșecul unui cip.
Aceasta implică în primul rând stivuirea și sculptarea adesea sute de straturi microscopice pe o placă de siliciu – o felie subțire, circulară de siliciu, care formează fundația cipului.
Depunerea stratează filme subțiri de material pe placă. Acoperirea fotorezistă aplică un material sensibil la lumină care permite modelarea precisă-procesul de creare a formelor minuscule și complexe care definesc circuitele unui cip.
În litografie, lumina transferă aceste tipare pe suprafața plafonului. Gravura elimină apoi zonele selectate de material pentru a sculpta structurile de circuit. Implantarea ionică ajustează proprietățile electrice ale fiecărui strat prin încorporarea particulelor încărcate. În cele din urmă, cipul este ambalat, ceea ce înseamnă că este încorporat și conectat astfel încât să poată fi integrat într -un dispozitiv.
Acolo intră în joc principiile cuantice de calcul. În studiu, cercetătorii s -au concentrat pe modelarea rezistenței de contact ohmice – o provocare deosebit de dificilă în crearea de cipuri. Aceasta este o măsură a cât de ușor curge electricitatea între straturile metalice și semiconductoare ale unui cip; Cu cât acest lucru este mai mic, poate fi performanța mai rapidă și mai eficientă din punct de vedere energetic.
Acest pas vine după ce materialele sunt stratificate și modelate pe placă și joacă un rol critic în determinarea cât de bine va funcționa cipul finalizat. Dar modelarea cu exactitate a fost o problemă.
Inginerii se bazează de obicei pe algoritmi clasici de învățare a mașinilor, care învață modele din date pentru a face predicții, pentru acest tip de calcul. În timp ce acest lucru funcționează bine cu seturi de date mari, curate, experimentele cu semiconductor produc adesea seturi de date mici, zgomotoase, cu modele neliniare, care este locul în care învățarea automată poate fi scurtă. Pentru a aborda acest lucru, cercetătorii au apelat la învățarea cuantică a mașinilor.
Un nou tip de algoritm
Echipa a lucrat cu date de la 159 de probe experimentale de tranzistoare cu mobilitate cu electroni cu nitru de galiu (Gan Hemts)-semiconductori cunoscuți pentru viteza și eficiența lor, utilizate frecvent în electronice și dispozitive 5G.
În primul rând, au identificat care variabile de fabricație au avut cel mai mare impact asupra rezistenței de contact ohmice, restrânsând setul de date la cele mai relevante intrări. Apoi au dezvoltat o nouă arhitectură de învățare automată numită regresorul aliniat cu kernel cuantic (QKAR).
QKAR transformă datele clasice în stări cuantice, permițând sistemului cuantic să identifice apoi relații complexe în date. Un algoritm clasic învață apoi din aceste idei, creând un model predictiv pentru a ghida fabricarea cipurilor. Au testat modelul pe cinci probe noi care nu au fost incluse în datele de instruire.
Noul model a fost testat pe aceste probe împotriva a șapte modele clasice de frunte, inclusiv metode de învățare profundă și de stimulare a gradientului și le -a depășit pe toate. QKAR a obținut un rezultat semnificativ mai bun decât se realizează folosind modele tradiționale (0,338 ohm pe milimetru) – deși cifrele specifice nu au fost incluse în studiu.
Important, însă, a fost conceput pentru a fi compatibil cu hardware-ul din lumea reală, ceea ce înseamnă că ar putea fi implementat pe mașini cuantice, deoarece acestea devin mai fiabile.
„Aceste descoperiri demonstrează potențialul [quantum machine learning] QML pentru gestionarea eficientă a sarcinilor de regresie de înaltă dimensiune, cu eșantion mic în domeniile semiconductorilor ”, au scris oamenii de știință în studiu. Au adăugat că metoda ar putea fi aplicată în curând la producția de cipuri din lumea reală, în special pe măsură ce hardware-ul cuantic continuă să evolueze.