Проектирование полупроводников требует совместных усилий специалистов по электротехнике, материаловедению и информатике. После разработки устройство тщательно тестируют, чтобы определить, соответствует ли оно установленным для него стандартам производительности. В эпоху высокопроизводительных вычислений и искусственного интеллекта в проектировании полупроводников применяются и эти инструменты. Однако эффективность классического машинного обучения снижается в нелинейных сценариях с малой выборкой. Вот почему исследователи из CSIRO заинтересованы в возможности использования квантового машинного обучения (QML).

Исследовательская группа ученых из Государственного объединения научных и прикладных исследований (CSIRO) занялась моделированием сопротивления омического контакта полупроводникового материала. Этот параметр измеряет электрическое сопротивление в месте соприкосновения полупроводника с металлом.

Хотя этот показатель имеет важное значение в проектировании полупроводников, его крайне сложно моделировать. Исследовательская группа использовала метод квантового машинного обучения на данных 159 экспериментальных образцов GaN HEMT (транзистора с высокой подвижностью электронов на основе нитрида галлия). Эти полупроводники обладают лучшими эксплуатационными характеристиками, по сравнению с полупроводниками на основе кремния.

Главная инновация научной группы состоит в разработке архитектуры квантового регрессора с ориентацией ядра (QKAR). QKAR преобразует классические данные в квантовые данные в пяти кубитах. Отображение в кубитах имеет решающее значение для начала процесса машинного обучения, который происходит через слой ориентации ядра. Он извлекает важные признаки из наборов данных, а затем для извлечения информации используется классический алгоритм.

Такой подход раскрывает в процессе изготовления полупроводников важные параметры, которые играют решающую роль при оптимизации, сообщает IE.

Подход QKAR превзошел семь классических алгоритмов машинного обучения, разработанных для решения этой проблемы. Что еще важнее, поскольку метод требует всего пяти кубитов, его можно немедленно начать использовать в производственной отрасли.

«Наши результаты показывают, что квантовые модели, если они тщательно спроектированы, могут улавливать закономерности, которые упускают классические модели, особенно в режимах с малыми размерами и малыми данными, — сказал Ван Цзэхэн, один из участников проекта. — Мы протестировали модель, изготовив новые устройства из нитрида галлия, которые показали улучшенную производительность, и с помощью анализа спектра квантового ядра подтвердили способность QML обобщать данные за пределами обучающих данных».

В мире современных технологий поиск материалов, способных сочетать сверхпроводимость и полупроводниковые свойства, остается одной из ключевых задач. Ученые из США совершили важный шаг в этом направлении, представив новый метод создания сверхпроводящих полупроводников.