据报道，澳大利亚研究人员和合作伙伴已经在实验数据上验证了用于半导体制造的量子机器学习模型，这可能会重塑未来芯片的制造方式。澳大利亚国家研究机构CSIRO的研究人员报告说：“我们已经证明，量子机器学习在建模欧姆接触电阻方面可以胜过经典AI，这是现代半导体器件制造中一个关键但难以建模的过程步骤。”
量子计算最早的用途之一是协助设计量子设备本身以及在量子计算机上运行的电路。现在，澳大利亚的研究小组又将半导体芯片设计列入了名单。他们的研究成果发表在本月的《高级科学》杂志上（半导体制造中小数据集建模的量子核学习：欧姆接触的应用）。
研究人员表示：“由于高维参数空间和有限的实验数据，对复杂的半导体制造过程（如欧姆接触形成）进行建模仍然具有挑战性。虽然经典机器学习（CML）方法在许多领域取得了成功，但在小样本、非线性场景下，它们的性能会下降。在这项工作中，量子机器学习（QML）被作为一种替代方案，利用量子核从紧凑的数据集中捕获复杂的相关性。”
“仅使用159个实验GaN HEMT样本，将浅Pauli-Z特征映射与可训练的量子核对齐（QKA）层相结合，开发了量子核对齐回归器（QKAR）。所有模型，包括7个基线CML回归量，在统一的基于PCA的预处理管道下进行评估，以确保公平比较。QKAR在多个指标（MAE， MSE， RMSE）上始终优于经典基线，在实验数据上验证的平均绝对误差为0.338 Ω·mm。通过交叉验证和新设备制造，进一步评估噪声鲁棒性和泛化。”
CSIRO的主要作者和量子研究员Zeheng Wang指出：“半导体行业越来越受到数据稀缺和工艺复杂性上升的限制。我们的研究结果表明，在精心设计的情况下，量子模型可以捕获经典模型可能错过的模式，特别是在高维、小数据体系中。我们通过制造新的GaN器件来验证该模型，该器件显示出优化的性能，并且通过量子核谱分析，证实了QML超越训练数据的泛化能力。”
研究人员很好地描述了半导体设计对经典设计的挑战：
“尽管经典机器学习（CML）方法已经被广泛地用于增强制造过程建模，但这些限制对CML模型构成了重大挑战，CML模型依赖于大型数据集来有效地泛化，并且难以捕捉半导体过程中固有的复杂非线性关系。虽然CML已被广泛用于器件表征和制造建模，但其性能在应用于小型高维数据集时仍然有限，通常导致过拟合和对未见数据的不良泛化。
此外，半导体制造涉及工艺参数（例如，退火温度，时间和大气条件）之间复杂的非线性关系，这进一步使使用传统ML技术的建模复杂化。解决这些挑战需要一种不同的计算范式，它可以有效地捕获高维相关性，同时在数据稀缺的环境中保持健壮性。我们在此探索量子计算（QC）算法，以解决半导体制造中的这两个挑战。”
QC，特别是QML，最近成为解决CML方法难以解决的计算问题的一种有效方法。“QML可以利用量子核，自然地捕获复杂的特征交互，并为小数据集提供卓越的泛化。这些属性使得QML成为半导体建模的一个引人注目的候选者，在半导体建模中，数据通常是稀缺的，过程参数是高度相互依赖的。尽管QML具有理论优势，但在应用于半导体制造建模时，QML尚未证明比CML有改进。”研究人员写道。
在结论中，研究人员写道：“虽然QKAR在这种特定环境下表现良好，但经典模型可以通过更广泛的超参数调优或替代架构实现更好的结果。此外，虽然本研究是在量子模拟器上进行的，但所使用的量子电路与当前的NISQ硬件兼容。随着量子处理器在保真度和规模上的提高，在实际半导体工作流程中部署QML模型可能变得越来越可行。因此，这项工作代表了将量子学习技术集成到数据驱动制造建模的基础步骤。”
这项研究是由一个国际组织进行的。来自北京大学、松山湖材料实验室和香港城市大学的研究人员提供了制造数据集，CSIRO使用这些数据集来训练QML模型。
