Микрочиповите ги напојуваат речиси сите модерни уреди - телефони, лаптопи, па дури и фрижидери. Но, зад сцената, нивното производство е многу сложен процес. Истражувачите велат дека пронашле начин да ја искористат моќта на квантното пресметување за да го поедностават процесот.

Научниците во Австралија развија техника на квантно машинско учење - комбинација од вештачка интелигенција (ВИ) и принцип на квантно пресметување - што би можела да го промени начинот на кој се произведуваат микрочиповите.

Своите наоди ги презентираа во студија објавена во списанието Advanced Science. Во неа, тие за прв пат демонстрираа како алгоритмите за квантно машинско учење можат значително да го подобрат предизвикувачкиот процес на моделирање на електричниот отпор во чипот - клучен фактор што влијае на неговата ефикасност.

Квантното машинско учење е хибриден пристап што ги комбинира класичните податоци со методите на квантна обработка. Додека кај класичните компјутери, податоците се складираат во битови (0 или 1), квантните компјутери користат кубити, кои, благодарение на феномени како што се суперпозиција и преплетување, можат да постојат во повеќе состојби истовремено - така што два кубита можат да бидат 00, 01, 10 и 11 истовремено.

Ова им овозможува на квантните системи да обработуваат сложени математички релации многу побрзо од класичните, а паралелното процесирање се зголемува експоненцијално со додавање на повеќе кубити.

Квантното машинско учење зема класични податоци и ги кодира во квантна состојба. Потоа квантниот компјутер открива шеми во податоците што би биле тешки за откривање за класичните системи. Потоа, класичниот алгоритам ги толкува резултатите и ги применува. 

Процесесот на производство на чипови-екстремна прецизност

Производството на полупроводници е сложен, повеќечекорен процес што бара екстремна прецизност - и секој чекор мора да се направи точно како што треба. Дури и најмалото отстапување може да доведе до дефект на чипот.

Прво, стотици микроскопски слоеви се депонираат и се обликуваат на силиконска плочка - тенок, кружен диск што ја формира основата на чипот.

Со тоа се таложи тенок слој на материјалот (депозиција), потоа се нанесува фотосензитивен материјал (фоторезист), што овозможува прецизно обработување на микрошемата на чипот.

Во литографијата, светлината ги пренесува овие шеми на површината на плочката. Потоа, одредени области се отстрануваат со гравирање за да се создадат структури на кола. Јонската имплантација ги менува електричните својства на слоевите со воведување на наелектризирани честички. На крај чипот се пакува - што значи дека се затвора и поврзува за да може да се инсталира во уред.

Токму тука влегуваат во игра принципите на квантното пресметување. Во студијата, истражувачите го фокусираа своето истражување на моделирање на омскиот отпор - особено тежок предизвик во производството на чипови. Тоа е мерка за тоа колку лесно тече струјата помеѓу металните и полупроводничките слоеви на чипот; колку е помал отпорот, толку е побрз и енергетски поефикасен чипот.

Овој чекор се случува откако слоевите ќе бидат нанесени и обликувани, и е клучен за квалитетот и перформансите на готовиот чип. Но, прецизното моделирање на тој процес е предизвик.

Инженерите обично се потпираат на класични алгоритми за машинско учење кои предвидуваат вредности врз основа на податоци. Иако тие добро работат со големи и чисти збирки податоци, експериментите со полупроводници често даваат мали, „бучни“ податоци со нелинеарни обрасци - и тука класичните алгоритми не успеваат. Затоа истражувачите применија квантно машинско учење. 

Нов тип на алгоритам

Тимот работел со податоци од 159 експериментални примероци на транзистори со висока електронска мобилност на галиум нитрид (GaN HEMT) - полупроводници познати по нивната брзина и ефикасност, често користени во електрониката и 5G уредите.

Прво, тие идентификувале кои променливи во процесот на производство имаат најголемо влијание врз омскиот отпор, со цел да го стеснат збирот на податоци на најрелевантните влезни податоци. Потоа развија нова архитектура за машинско учење наречена Квантен регресор порамнет со јадрото (QKAR).

QKAR ги претвора класичните податоци во квантна состојба, овозможувајќи му на квантниот систем да забележи сложени врски во податоците. Класичниот алгоритам потоа учи од овие сознанија и гради предикативен модел за да го води процесот на производство. Моделот бил тестиран на пет нови примероци кои не биле дел од почетниот збир на податоци.

Новиот модел потоа бил спореден со седум водечки класични модели, вклучувајќи методи за длабоко учење и засилување на градиентот - и ги надмина сите. QKAR постигна значително подобар резултат од традиционалните модели (0,338 оми на милиметар), иако специфични бројки не беа вклучени во студијата.

Важно е што моделот бил дизајниран да биде компатибилен со вистински квантен хардвер, што значи дека може да се имплементира во пракса како што квантните компјутери стануваат посигурни.

„Овие наоди го демонстрираат потенцијалот на квантното машинско учење за ефикасно решавање на проблеми со регресија со низок примерок и високодимензионални проблеми во доменот на полупроводниците“, напишаа научниците во студијата. Тие додаваат дека овој метод би можел наскоро да се примени во реално производство на чиови, особено со развојот на квантниот хардвар.