Pesquisadores do CSIRO da Austrália alcançaram uma primeira demonstração mundial de aprendizado de máquina quântica na fabricação de semicondutores. O modelo quântico aprimorado superou os métodos convencionais de IA e poderia remodelar como os microchips são projetados. A equipe se concentrou na modelagem de uma propriedade essential – mas difícil de prever -, chamada resistência de “contato ôndmico”, que mede a facilidade com que os fluxos atuais onde o steel encontra um semicondutor.
Eles analisaram 159 amostras experimentais de transistores avançados de nitreto de gálio (GaN) (conhecidos por desempenho de alta potência/alta frequência). Ao combinar uma camada de processamento quântico com uma etapa remaining de regressão clássica, o modelo extraiu padrões sutis que as abordagens tradicionais haviam perdido.
Abordando um problema de design difícil
De acordo com o estudaros pesquisadores do CSIRO codificaram muitas variáveis de fabricação (como misturas de gás e tempos de recozimento) por dispositivo e usaram a análise de componentes principais (PCA) para encolher 37 parâmetros para os cinco mais importantes. O professor Muhammad Usman – que liderou o estudo – explica que fez isso porque “os computadores quânticos que atualmente temos capacidades muito limitadas”.
O aprendizado de máquina clássico, por outro lado, pode lutar quando os dados são escassos ou os relacionamentos não são lineares. Ao focar nessas variáveis -chave, a equipe tornou o problema gerenciável para o {hardware} quântico de hoje.
Uma abordagem quântica do núcleo
Para modelar os dados, a equipe construiu uma arquitetura de regressor de kernel quântico personalizado (QKAR). Os cinco parâmetros principais de cada amostra foram mapeados em um estado quântico de cinco quits (usando um mapa de características Pauli-Z), permitindo uma camada quântica do kernel para capturar correlações complexas.
A saída dessa camada quântica foi então alimentada em um algoritmo de aprendizado padrão que identificou quais parâmetros de fabricação mais importavam. Como Usman diz, esse modelo quântico -clássico combinado identifica que as etapas de fabricação para sintonizar o desempenho splendid do dispositivo.
Nos testes, o modelo QKAR venceu sete algoritmos clássicos de topo na mesma tarefa. Exigiu apenas cinco qubits, tornando -o viável nas máquinas quânticas atuais. O Dr. Zeheng Wang, da CSIRO, observa que o método quântico encontrou padrões de modelos clássicos podem perder em problemas de alta dimensão e dados pequenos.
Para validar a abordagem, a equipe fabricou novos dispositivos GAN usando a orientação do modelo; Esses chips mostraram melhor desempenho. Isso confirmou que o projeto assistido por quântica generalizou além de seus dados de treinamento.
