Australijscy naukowcy wprowadzili kwantowe uczenie maszynowe do produkcji półprzewodników przyszłości
Piotr Mazurkiewicz
Badacze z Commonwealth Science and Industrial Research Organization (CSIRO), australijskiej instytucji badawczej, zastosowali kwantowe uczenie maszynowe w produkcji półprzewodników przyszłości. Naukowcy twierdzą, że metoda ta przewyższa tradycyjne obliczenia AI wykorzystywane obecnie w projektowaniu i produkcji półprzewodników oraz ma potencjał do zrewolucjonizowania sposobu ich tworzenia.
Kwantowe uczenie maszynowe przewyższa tradycyjne obliczenia AI
Proces projektowania półprzewodników to obszar, w którym specjaliści z dziedzin takich jak elektrotechnika, materiałoznawstwo oraz informatyka współpracują, aby stworzyć układy scalone, które napędzają nowoczesne urządzenia elektroniczne. Wymaga to wiedzy z wielu dziedzin, a następnie przeprowadzane są dokładne testy, aby ustalić, czy produkt spełnia wymagania dotyczące wydajności.
W erze obliczeń o wysokiej wydajności i sztucznej inteligencji (AI), projektowanie półprzewodników jest również wspierane przez te technologie. Klasyczne uczenie maszynowe (CML) zostało już wcześniej zastosowane w tych dziedzinach.
Jednak jego skuteczność maleje w sytuacjach nieliniowych przy małej próbce. Dlatego badacze z CSIRO postanowili zbadać, czy można wykorzystać kwantowe uczenie maszynowe (QML) jako alternatywę.
Zespół badawczy pod przewodnictwem Muhammada Usmana, profesora i kierownika systemów kwantowych w CSIRO, skoncentrował się na modelowaniu rezystancji styku omowego materiału półprzewodnikowego. Jest to miara rezystancji elektrycznej, w której półprzewodnik ma kontakt z metalem, a prąd może przepływać swobodnie.
Poprawiona wydajność chipów
Choć jest to kluczowy aspekt w projektowaniu półprzewodników, jest to również najtrudniejszy element do modelowania. Zespół badawczy zastosował swoje podejście do kwantowego uc