Квантно машинско учење коришћено у дизајнирању полупроводника, револуција на пољу производње чипова

Микрочипови покрећу готово све савремене уређаје – телефоне, лаптопове, па чак и фрижидере. Али иза кулиса, њихова израда је веома сложен процес. Истраживачи тврде да су нашли начин да искористе снагу квантног рачунарства како би тај процес поједноставили.

Научници у Аустралији развили су технику квантног машинског учења – спој вештачке интелигенције (ВИ) и принципа квантног рачунарства – која би могла да промени начин на који се производе микрочипови.

Своја открића представили су у студији објављеној у часопису Advanced Science. У њој су по први пут демонстрирали како алгоритми квантног машинског учења могу значајно да унапреде изазован процес моделирања електричног отпора унутар чипа – кључног фактора који утиче на ефикасност његовог рада.

Квантно машинско учење је хибридни приступ који комбинује класичне податке са квантним методама обраде. Док се у класичним рачунарима подаци чувају у битовима (0 или 1), квантни рачунари користе кубите, који захваљујући феноменима као што су суперпозиција и заплитање, могу истовремено постојати у више стања – па два кубита могу истовремено бити 00, 01, 10 и 11.

То омогућава квантним системима да обрађују сложене математичке релације много брже од класичних, а паралелна обрада се експоненцијално повећава са додавањем више кубита.

Квантно машинско учење узима класичне податке и шифрује их у квантна стања. Квантни рачунар затим открива обрасце у подацима које би класичним системима било тешко уочити. Након тога, класични алгоритам тумачи резултате и примењује их.

Унутар процеса производње чипова

Производња полупроводника је сложен, вишестепени процес који захтева изузетну прецизност – и сваки корак мора бити изведен тачно. Чак и најмање одступање може довести до неисправности чипа.

Прво се стотине микроскопских слојева наноси и обликује на силицијумску плочу – танак, кружни диск који представља основу чипа.

Тиме се наноси танки слој материјала (депозиција), затим се наноси фотоосетљиви материјал (фоторезист), који омогућава прецизно обрађивање микрошема чипа.

У литографији, светлост преноси те шеме на површину плоче. Потом се гравирањем уклањају одређене области како би се добиле структуре кола. Имплантација јона мења електрична својства слојева убацивањем наелектрисаних честица. На крају, чип се пакује – што значи да се затвара и повезује како би се могао уградити у уређај.

Управо ту долазе до изражаја принципи квантног рачунарства. У студији су истраживачи фокусирали своја испитивања на моделирање омског отпора – посебно тешког изазова у производњи чипова. То је мера колико лако струја тече између металних и полупроводничких слојева чипа; што је тај отпор мањи, то је чип бржи и енергетски ефикаснији.

Овај корак се спроводи након што су слојеви нанети и обликовани, а критичан је за квалитет и перформансе готовог чипа. Али тачно моделирање тог процеса представљало је проблем.

Инжењери се обично ослањају на класичне алгоритме машинског учења који на основу података предвиђају вредности. Иако они добро функционишу са великим и чистим скуповима података, експерименти са полупроводницима често дају мале и „шумовите“ податке са нелинеарним обрасцима – и ту класични алгоритми не успевају. Зато су истраживачи применили квантно машинско учење.

Нови тип алгоритма

Тим је радио са подацима из 159 експерименталних узорака галинијум-нитридских транзистора са великом мобилношћу електрона (GaN HEMT) – полупроводника познатих по брзини и ефикасности, често коришћених у електроници и 5Г уређајима.

Прво су идентификовали које променљиве у процесу производње највише утичу на омски отпор, како би сузили скуп података на најрелевантније улазе. Потом су развили нову архитектуру машинског учења под називом Quantum Kernel-Aligned Regressor (QKAR).

QKAR претвара класичне податке у квантна стања, омогућавајући квантном систему да уочи сложене односе у подацима. Класични алгоритам потом учи на тим увидима и прави предиктивни модел за вођење процеса производње. Модел је тестиран на пет нових узорака који нису били део почетног скупа података.

Нови модел је затим упоређен са седам водећих класичних модела, укључујући методе дубоког учења и градијентног појачавања – и надмашио их је све. QKAR је постигао знатно бољи резултат од традиционалних модела (0,338 ома по милиметру), иако конкретне бројке нису биле укључене у студији.

Важно је и то што је модел дизајниран да буде компатибилан са реалним квантним хардвером, што значи да би се могао применити у пракси како квантни рачунари постају поузданији.

„Ова открића показују потенцијал квантног машинског учења за ефикасно решавање задатака регресије са малим бројем узорака и високом димензијом у области полупроводника“, написали су научници у студији. Додали су да би се овај метод ускоро могао применити у стварној производњи чипова, нарочито како се квантни хардвер буде развијао.