英语轻松读发新版了,欢迎下载、更新

量子机学习首次改善半导体制造

2025-07-03 14:58:16 英文原文

作者:by Paul Arnold, Phys.org

Quantum tech powers semiconductor breakthrough
基于量子机学习的模型过程的示意图,用于GAN HEMTS中的欧姆接触形成。信用:高级科学(2025)。doi:10.1002/advs.202506213

众所周知,半导体处理是具有挑战性的。由于所需的极高精确度和涉及的数百个步骤,例如蚀刻和分层,它甚至是单个芯片,这是现代工程中最复杂的壮举之一。

但是,在世界上的首先,澳大利亚国家研究机构英联邦科学和工业研究组织(CSIRO)的研究人员都使用了学习制造半导体。他们的研究可能会彻底改变芯片的制作方式。

团队的学习,出版在日记中高级科学,首次显示可以通过将量子方法应用于实际实验数据来改进。

他们将注意力集中在关键的一步中设计过程对半导体材料的欧姆接触电阻进行建模。这是对半导体与金属接触时发生的电阻的量度,这会影响电流的流动方式。

建模问题

到目前为止,一个粘性点是欧姆接触电阻很难建模。当前的方法使用经典的机器学习(CML)算法,但是它们需要大数据集,并且其性能在小样本的非线性设置中降低。

由CSIRO的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以不同的方式走了。

他们对159个实验样品(氮化炮高电动型晶体管)半导体的数据采用了量子机学习(QML)方法。这种巧妙的方法融合了古典和量子技术。

Quantum tech powers semiconductor breakthrough
用于优化QKAR性能的量子消融研究。信用:高级科学(2025)。doi:10.1002/advs.202506213

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,他们开发了一个量子内核一致的回归器(QKAR)体系结构,以将经典数据转换为量子状态以开始机器学习过程。一旦从数据中提取所有功能后,经典算法就检索了信息,然后训练该信息以指导制造过程。

QKAR技术的表现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有效处理半导体领域中高维的小样本回归任务的潜力,并指出了随着量子硬件的持续成熟而在未来现实世界中的部署方面有希望的途径。”

除了有可能降低制造成本并提高设备性能,这项研究可能会带来其他深远的后果。随着量子技术的继续发展,它们可能有助于解决超出古典计算机功能的复杂问题。

我们作者为您写的保罗·阿诺德,,,,编辑加比·克拉克(Gaby Clark)并对事实进行了检查和审查罗伯特·埃根(Robert Egan)本文是仔细人类工作的结果。我们依靠像您这样的读者来使独立科学新闻业保持活力。如果此报告对您很重要,请考虑捐款(尤其是每月)。你会得到一个无广告表示感谢。

更多信息:Zeheng Wang等人,半导体制造中小数据集建模的量子内核学习:应用于欧姆接触,高级科学(2025)。doi:10.1002/advs.202506213

©2025科学X网络

引用:Quantum Machine Learning首次改善了半导体制造(2025年7月3日)检索2025年7月3日摘自https://techxplore.com/news/2025-07-quantum-machine-spemiconductor.html

该文档具有版权。除了为私人研究或研究目的的任何公平交易外,没有未经书面许可,可以复制部分。内容仅用于信息目的。

关于《量子机学习首次改善半导体制造》的评论


暂无评论

发表评论