Исследователи из австралийского научного агентства CSIRO применили квантовое машинное обучение (QML) для повышения эффективности технологий производства полупроводников, сообщает Tech Xplore. Эта область крайне сложна: производство одного микрочипа требует сотен точнейших процессов, таких как травление или послойное нанесение материалов.
Основной акцент ученые сделали на моделировании омического контактного сопротивления — важнейшего параметра, определяющего качество контакта между металлом и полупроводником. Он критически влияет на электрическую проводимость и, соответственно, на характеристики конечного устройства. Классические методы машинного обучения здесь сталкиваются с ограничениями, включая высокие требования к объему данных.
Под руководством профессора Мухаммада Усмана команда CSIRO применила квантовое обучение для работы с материалами на основе GaN HEMT (нитрид галлия, высокоподвижные электронные транзисторы). Благодаря использованию квантово-ядерного регрессора (QKAR) исследователям удалось преобразовать классические данные в квантовые состояния, выделить ключевые характеристики и обучить модель с высокой эффективностью.
Разработанная технология обошла семь традиционных алгоритмов машинного обучения и открыла возможности для повышения качества и удешевления производства полупроводников. Кроме того, исследование подтверждает потенциал квантовых методов в решении задач, выходящих за рамки возможностей обычных вычислительных систем. Ученые считают, что с развитием квантовых вычислений применение QML будет только расширяться.
Основной акцент ученые сделали на моделировании омического контактного сопротивления — важнейшего параметра, определяющего качество контакта между металлом и полупроводником. Он критически влияет на электрическую проводимость и, соответственно, на характеристики конечного устройства. Классические методы машинного обучения здесь сталкиваются с ограничениями, включая высокие требования к объему данных.
Под руководством профессора Мухаммада Усмана команда CSIRO применила квантовое обучение для работы с материалами на основе GaN HEMT (нитрид галлия, высокоподвижные электронные транзисторы). Благодаря использованию квантово-ядерного регрессора (QKAR) исследователям удалось преобразовать классические данные в квантовые состояния, выделить ключевые характеристики и обучить модель с высокой эффективностью.
Разработанная технология обошла семь традиционных алгоритмов машинного обучения и открыла возможности для повышения качества и удешевления производства полупроводников. Кроме того, исследование подтверждает потенциал квантовых методов в решении задач, выходящих за рамки возможностей обычных вычислительных систем. Ученые считают, что с развитием квантовых вычислений применение QML будет только расширяться.
