Los microchips, integrales bajo una amplia gama de dispositivos modernos, incluidos teléfonos inteligentes, computadoras portátiles y electrodomésticos, se producen a través de un proceso de fabricación complejo y preciso. Los desarrollos recientes en Australia, sin embargo, ofrecen un enfoque revolucionario que incluye la computación Kwantum para optimizar esta complicada empresa. Los investigadores han introducido una técnica de aprendizaje automático cuántico que fusiona la inteligencia artificial con los principios de computación kwantum, lo que hace posible la producción de microchip.
Publicado en un estudio en la revista Ciencia avanzadaLos científicos revelaron su gran avance al modelar la resistencia eléctrica en los chips, un factor crítico que influye en la eficiencia del rendimiento. Esto marca la primera copia de la aplicación de algoritmos de dispositivo cuántico para mejorar la tarea desafiante de predecir la resistencia de contacto de Ohm, una medida de cómo fluye la electricidad efectiva entre las capas de metal y semiconductores en el chip.
La justificación del aprendizaje de dispositivos cuánticos usa los beneficios de la computación Kwantum, que procesa los datos con la ayuda de qubits que pueden representar múltiples estados al mismo tiempo por principios como la súper posición y el enredo. Esto contrasta fuertemente con el uso clásico de la computadora, que depende de bits expresados como 0 o 1. Debido a las opciones de procesamiento paralelas de los sistemas cuánticos, se pueden evaluar relaciones matemáticas complejas con velocidades considerablemente más altas, lo que hace que el análisis de grandes conjuntos de datos sea más eficiente.
El proceso de fabricación del semiconductor es inherentemente complejo, donde se deben llevar a cabo innumerables pasos con extrema precisión. Comienza con apilar y formar capas microscópicas en un gofre de silicio, seguido de una serie de procesos, que incluyen deposición, recubrimiento fotorresistente, litografía y grabados. Las últimas fases incluyen la implantación de iones para ajustar las propiedades eléctricas y empacar el chip para la integración en dispositivos electrónicos.
En este contexto, el equipo de investigación se centró en el desafío de modelar con precisión los OHM en la resistencia de contacto, un aspecto crítico que afecta directamente el rendimiento del chip. Tradicionalmente, los ingenieros se basaban en algoritmos clásicos de aprendizaje automático para predecir estas resistencias; Sin embargo, tales métodos a menudo vacilan cuando se enfrentan con conjuntos de datos pequeños, de ruido y no lineales que son típicos de los experimentos de semiconductores.
Para superar estas restricciones, los investigadores utilizaron datos experimentales de 159 muestras de transistores de movilidad de alta electrónica de nitruro de galio (GaN HEMTS), conocidos por su eficiencia y velocidad en electrónica, especialmente en dispositivos 5G. Al aislar las variables de fabricación más impactantes, desarrollaron un nuevo marco de aprendizaje automático que llamó regresor Kwantum Kernel-Uitgelde (QKAR). Este algoritmo convierte conjuntos de datos clásicos en estados cuánticos, lo que permite que la computadora cuántica procese e identifique patrones complejos, que luego interpreta un algoritmo tradicional para desarrollar modelos predictivos.
Cuando se probó en cinco nuevas muestras que no se incluyeron en la fase de entrenamiento, el modelo QKAR funcionó mejor que los diferentes enfoques principales del aprendizaje automático clásico, incluidos los métodos de aprendizaje y impulso de gradiente. Este nuevo modelo mostró una mejora impresionante, logrando una medición de resistencia de aproximadamente 0.338 ohm por milímetro, lo que excede las técnicas de modelado tradicionales.
Los investigadores enfatizaron que sus hallazgos ilustran la aplicación prometedora del aprendizaje de dispositivos cuánticos para la gestión de regulaciones de muestras de alta dimensión y pequeñas en la fabricación de semiconductores. Señalaron que a medida que las oportunidades de hardware cuántico continúan mejorando, el potencial para aplicar estos métodos en la producción de chips del mundo real es en el horizonte, por lo que anuncia una nueva era en la eficiencia de la producción de microchip y la mejora del rendimiento.
