7月4日消息，據(jù)techxplore報(bào)道，澳大利亞研究團(tuán)隊(duì)近日開(kāi)發(fā)出一項(xiàng)具突破性的半導(dǎo)體制程技術(shù)，首次成功應(yīng)用量子機(jī)器學(xué)習(xí)(Quantum Machine Learning，QML)來(lái)構(gòu)建模型，提升了半導(dǎo)體制造的精準(zhǔn)度與效率，并有望降低芯片生產(chǎn)成本。

　　眾所周知，先進(jìn)的半導(dǎo)體加工工藝極具挑戰(zhàn)性，它是現(xiàn)代工程中最復(fù)雜的工藝之一，因?yàn)樗髽O高的精度，而且即使制造一塊芯片也需要經(jīng)過(guò)數(shù)百道工序，例如光刻、薄膜沉積、蝕刻等。

　　澳大利亞國(guó)家研究機(jī)構(gòu)——聯(lián)邦科學(xué)與工業(yè)研究組織(CSIRO)的研究人員首次利用量子機(jī)器學(xué)習(xí)(Quantum Machine Learning，QML)技術(shù)來(lái)構(gòu)建半導(dǎo)體設(shè)計(jì)過(guò)程中的一個(gè)關(guān)鍵步驟——模擬半導(dǎo)體材料的歐姆接觸電阻。歐姆接觸電阻是測(cè)量半導(dǎo)體與金屬接觸時(shí)產(chǎn)生的電阻，它會(huì)影響電流的流動(dòng)難易程度。

　　迄今為止，一個(gè)關(guān)鍵問(wèn)題是歐姆接觸電阻的建模非常困難。目前的方法采用經(jīng)典的機(jī)器學(xué)習(xí) (CML) 算法，但它們需要大量數(shù)據(jù)集，并且在小樣本、非線性設(shè)置下性能會(huì)下降。

　　由澳大利亞聯(lián)邦科學(xué)與工業(yè)研究組織 (CSIRO) 量子系統(tǒng)負(fù)責(zé)人兼教授穆罕默德·烏斯曼 (Muhammad Usman) 領(lǐng)導(dǎo)的澳大利亞研究人員走了一條不同的道路。他們采用量子機(jī)器學(xué)習(xí) (QML) 方法，對(duì) 159 個(gè) GaN HEMT(氮化鎵高電子遷移率晶體管)半導(dǎo)體實(shí)驗(yàn)樣本的數(shù)據(jù)進(jìn)行分析。這種巧妙的方法融合了經(jīng)典技術(shù)和量子技術(shù)。

　　首先，他們將眾多制造變量縮小到僅對(duì)性能有關(guān)鍵影響的變量。

　　然后，他們開(kāi)發(fā)了一種量子核對(duì)齊回歸器 (QKAR) 架構(gòu)，將經(jīng)典數(shù)據(jù)轉(zhuǎn)換為量子態(tài)，從而啟動(dòng)機(jī)器學(xué)習(xí)過(guò)程。從數(shù)據(jù)中提取所有特征后，經(jīng)典算法會(huì)檢索信息，然后對(duì)其進(jìn)行訓(xùn)練以指導(dǎo)制造過(guò)程。QKAR 技術(shù)優(yōu)于針對(duì)同一問(wèn)題開(kāi)發(fā)的七種不同的 CML 算法。

　　研究人員寫(xiě)道：“這些發(fā)現(xiàn)證明了 QML 在半導(dǎo)體領(lǐng)域有效處理高維、小樣本回歸任務(wù)的潛力，并隨著量子硬件的不斷成熟，為其在未來(lái)實(shí)際應(yīng)用中的部署指明了有希望的途徑。”

　　除了可能降低半導(dǎo)體行業(yè)的制造成本和提升設(shè)備性能外，這項(xiàng)研究還可能產(chǎn)生其他深遠(yuǎn)的影響。隨著量子技術(shù)的不斷發(fā)展，它們或許有助于解決超出傳統(tǒng)計(jì)算機(jī)能力范圍的復(fù)雜問(wèn)題。

　　目前，該團(tuán)隊(duì)的研究成功已經(jīng)發(fā)表在《先進(jìn)科學(xué)》雜志上，首次表明，通過(guò)將量子方法應(yīng)用于真實(shí)實(shí)驗(yàn)數(shù)據(jù)可以改進(jìn)半導(dǎo)體制造。