پژوهشگران استرالیایی در مقاله‌ای که در ژورنال معتبر Advanced Science انتشار شده، از یک تکنیک تازه مبتنی بر یادگیری ماشین کوانتومی (QML) پرده‌برداری کرده‌اند که می‌تواند فرآیند پیچیده طراحی تراشه‌های نیمه‌هادی را منقلب کند. این روش نوآورانه با کدگذاری داده‌های کلاسیک در حالت‌های کوانتومی و تحلیل الگوهای آن، مدل‌هایی تازه برای طراحی چیپ تشکیل می‌کند که تا ۲۰ درصد کارآمدتر از راه حلهای سنتی عمل می‌کنند.

فرآیند مدرن طراحی و ساخت پردازنده‌های سیلیکونی نیازمند دقتی بسیار بالاست که شامل صد‌ها مرحله برای تشکیل ویفرها و در نهایت تراشه‌ها می‌شود. تکنیک تازه به‌اختصاصی در مرحله های پایانی ساخت، یعنی وقتی که تراشه برای منفعت گیری در یک دستگاه واقعی مرحله های پکجینگ را طی می‌کند، کاربرد دارد و می‌تواند به پیشرفت‌های بزرگی در این صنعت منجر شود.

پیوند دنیای کوانتوم و یادگیری ماشین با روش QKAR

یکی از چالش‌های مهم در پکجینگ تراشه، فهمیدن دقیق جریان الکتریکی بین لایه‌های سیلیکونی و فلزی است که با گفتن «مقاومت اتصالات اهمی» یا Ohmic Contact Resistance شناخته می‌شود. مدل‌سازی این اتفاق زیاد دشوار است، اما محققان اعتقاد دارند روش تازه آن‌ها این فرآیند را به شکل قابل توجهی ساده‌تر می‌کند.

در این پژوهش، از ۱۵۹ نمونه «ترانزیستورهای گالیوم نیترید با تحرک‌پذیری بالای الکترونی یا (GaN HEMTs) که در تجهیزات الکترونیکی پیشرفته کاربرد دارند، منفعت گیری شد. ابتدا متغیرهای کلیدی در فرآیند ساخت که بر مقاومت اهمی اثرگذار بودند، شناسایی شدند. سپس با تکنیکی به نام QKAR، داده‌های کلاسیک به حالت‌های کوانتومی تبدیل شدند تا یک سیستم کامپیوتر کوانتومی بتواند الگوهای نهان در آن‌ها را بیابد.

نتایج حاصل از تحلیل کوانتومی سپس به یک الگوریتم یادگیری ماشین کلاسیک داده شد تا ، بهینه‌سازی‌های ممکن در فرآیند ساخت تراشه را کشف کند. این مدل ترکیبی از پردازش کوانتومی و یادگیری ماشین، عملکردی بهتر از الگوریتم‌های یادگیری عمیق و یادگیری ماشین سنتی از خود نشان داد. بر پایه این مطالعه، روش QKAR بین ۸.۸ تا ۲۰.۱ درصد کارایی بیشتری نسبت به مدل‌های دیگر داشته است.

اگرچه منفعت‌برداری کامل از این تکنیک نیازمند گسترش سخت‌افزارهای کوانتومی گسترش یافتهتر است، اما این یافته‌ها پتانسیل بالای یادگیری ماشین کوانتومی را برای حل مسائل پیچیده در حوزه نیمه‌هادی‌ها مشخص می کند.