GaN HEMT 中欧姆接触形成的基于量子机器学习的建模过程的示意图。

众所周知，半导体加工极具挑战性。这是现代工程中最复杂的壮举之一，因为需要极高的精度，并且涉及数百个步骤，例如蚀刻和分层，即使是制造单个芯片也是如此。

然而，澳大利亚国家研究机构联邦科学与工业研究组织 （CSIRO） 的研究人员利用量子机器学习制造半导体，这在世界上尚属首次。他们的研究可能会彻底改变芯片的制造方式。

该团队的研究发表在《先进科学》杂志上，首次表明，通过将量子方法应用于实际实验数据，可以改进半导体制造。

他们将注意力集中在半导体设计过程中的一个关键步骤上 — 对半导体材料的欧姆接触电阻进行建模。这是衡量半导体与金属接触时产生的电阻的量度，它会影响电流流动的难易程度。

建模问题

到目前为止，一个症结是欧姆接触电阻非常难以建模。当前的方法使用经典机器学习 （CML） 算法，但它们需要大型数据集，并且在小样本非线性设置中性能会下降。

由 CSIRO 教授兼量子系统负责人穆罕默德·乌斯曼 （Muhammad Usman） 领导的澳大利亚研究人员走了一条不同的路。

他们对 GaN HEMT（氮化镓高电子迁移率晶体管）半导体的 159 个实验样品的数据采用了量子机器学习 （QML） 方法。这种巧妙的方法融合了经典技术和量子技术。

首先，他们将许多制造变量缩小到对性能有关键影响的变量。

然后，他们开发了一种量子内核对齐回归器 （QKAR） 架构，将经典数据转换为量子态，以开始机器学习过程。从数据中提取出所有特征后，经典算法会检索信息，然后对其进行训练以指导制造过程。

QKAR 技术优于为同一问题开发的七种不同的 CML 算法。

研究人员写道：“这些发现证明了 QML 在有效处理半导体领域高维、小样本回归任务的潜力，并随着量子硬件的不断成熟，为在未来的实际应用中部署指明了有希望的途径。

除了可能降低半导体行业的制造成本和提高器件性能外，这项研究还可能产生其他深远的影响。随着量子技术的不断发展，它们可能有助于解决经典计算机无法解决的复杂问题。