Kvantno mašinsko učenje korišćeno u dizajniranju poluprovodnika, revolucija na polju proizvodnje čipova

Mikročipovi pokreću gotovo sve savremene uređaje – telefone, laptopove, pa čak i frižidere. Ali iza kulisa, njihova izrada je veoma složen proces. Istraživači tvrde da su našli način da iskoriste snagu kvantnog računarstva kako bi taj proces pojednostavili.

Naučnici u Australiji razvili su tehniku kvantnog mašinskog učenja – spoj veštačke inteligencije (VI) i principa kvantnog računarstva – koja bi mogla da promeni način na koji se proizvode mikročipovi.

Svoja otkrića predstavili su u studiji objavljenoj u časopisu Advanced Science. U njoj su po prvi put demonstrirali kako algoritmi kvantnog mašinskog učenja mogu značajno da unaprede izazovan proces modeliranja električnog otpora unutar čipa – ključnog faktora koji utiče na efikasnost njegovog rada.

Kvantno mašinsko učenje je hibridni pristup koji kombinuje klasične podatke sa kvantnim metodama obrade. Dok se u klasičnim računarima podaci čuvaju u bitovima (0 ili 1), kvantni računari koriste kubite, koji zahvaljujući fenomenima kao što su superpozicija i zaplitanje, mogu istovremeno postojati u više stanja – pa dva kubita mogu istovremeno biti 00, 01, 10 i 11.

To omogućava kvantnim sistemima da obrađuju složene matematičke relacije mnogo brže od klasičnih, a paralelna obrada se eksponencijalno povećava sa dodavanjem više kubita.

Kvantno mašinsko učenje uzima klasične podatke i šifruje ih u kvantna stanja. Kvantni računar zatim otkriva obrasce u podacima koje bi klasičnim sistemima bilo teško uočiti. Nakon toga, klasični algoritam tumači rezultate i primenjuje ih.

Unutar procesa proizvodnje čipova

Proizvodnja poluprovodnika je složen, višestepeni proces koji zahteva izuzetnu preciznost – i svaki korak mora biti izveden tačno. Čak i najmanje odstupanje može dovesti do neispravnosti čipa.

Prvo se stotine mikroskopskih slojeva nanosi i oblikuje na silicijumsku ploču – tanak, kružni disk koji predstavlja osnovu čipa.

Time se nanosi tanki sloj materijala (depozicija), zatim se nanosi fotoosetljivi materijal (fotorezist), koji omogućava precizno obrađivanje mikrošema čipa.

U litografiji, svetlost prenosi te šeme na površinu ploče. Potom se graviranjem uklanjaju određene oblasti kako bi se dobile strukture kola. Implantacija jona menja električna svojstva slojeva ubacivanjem naelektrisanih čestica. Na kraju, čip se pakuje – što znači da se zatvara i povezuje kako bi se mogao ugraditi u uređaj.

Upravo tu dolaze do izražaja principi kvantnog računarstva. U studiji su istraživači fokusirali svoja ispitivanja na modeliranje omskog otpora – posebno teškog izazova u proizvodnji čipova. To je mera koliko lako struja teče između metalnih i poluprovodničkih slojeva čipa; što je taj otpor manji, to je čip brži i energetski efikasniji.

Ovaj korak se sprovodi nakon što su slojevi naneti i oblikovani, a kritičan je za kvalitet i performanse gotovog čipa. Ali tačno modeliranje tog procesa predstavljalo je problem.

Inženjeri se obično oslanjaju na klasične algoritme mašinskog učenja koji na osnovu podataka predviđaju vrednosti. Iako oni dobro funkcionišu sa velikim i čistim skupovima podataka, eksperimenti sa poluprovodnicima često daju male i „šumovite“ podatke sa nelinearnim obrascima – i tu klasični algoritmi ne uspevaju. Zato su istraživači primenili kvantno mašinsko učenje.

Novi tip algoritma

Tim je radio sa podacima iz 159 eksperimentalnih uzoraka galinijum-nitridskih tranzistora sa velikom mobilnošću elektrona (GaN HEMT) – poluprovodnika poznatih po brzini i efikasnosti, često korišćenih u elektronici i 5G uređajima.

Prvo su identifikovali koje promenljive u procesu proizvodnje najviše utiču na omski otpor, kako bi suzili skup podataka na najrelevantnije ulaze. Potom su razvili novu arhitekturu mašinskog učenja pod nazivom Quantum Kernel-Aligned Regressor (QKAR).

QKAR pretvara klasične podatke u kvantna stanja, omogućavajući kvantnom sistemu da uoči složene odnose u podacima. Klasični algoritam potom uči na tim uvidima i pravi prediktivni model za vođenje procesa proizvodnje. Model je testiran na pet novih uzoraka koji nisu bili deo početnog skupa podataka.

Novi model je zatim upoređen sa sedam vodećih klasičnih modela, uključujući metode dubokog učenja i gradijentnog pojačavanja – i nadmašio ih je sve. QKAR je postigao znatno bolji rezultat od tradicionalnih modela (0,338 oma po milimetru), iako konkretne brojke nisu bile uključene u studiji.

Važno je i to što je model dizajniran da bude kompatibilan sa realnim kvantnim hardverom, što znači da bi se mogao primeniti u praksi kako kvantni računari postaju pouzdaniji.

„Ova otkrića pokazuju potencijal kvantnog mašinskog učenja za efikasno rešavanje zadataka regresije sa malim brojem uzoraka i visokom dimenzijom u oblasti poluprovodnika“, napisali su naučnici u studiji. Dodali su da bi se ovaj metod uskoro mogao primeniti u stvarnoj proizvodnji čipova, naročito kako se kvantni hardver bude razvijao.