据报道,澳大利亚研究人员及其合作伙伴在实验数据上验证了一个用于半导体制造的量子机器学习模型,这可能会在未来重塑芯片的设计方式。“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优于经典人工智能——这是一个在现代化半导体器件制造中至关重要但难以建模的过程步骤,”来自澳大利亚国家研究机构 CSIRO 的研究人员报告说。
量子计算最早的应用之一是帮助设计量子设备本身以及运行在量子计算机上的电路。现在,澳大利亚研究团队已将半导体芯片设计添加到该列表中。他们的工作本月发表在先进科学上,(量子核学习在半导体制造中小数据集建模中的应用:欧姆接触)。
“对欧姆接触形成等复杂的半导体制造过程进行建模仍然具有挑战性,这源于高维参数空间和有限的实验数据。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、非线性场景中其性能会下降。在这项工作中,研究人员研究了量子机器学习(QML)作为一种替代方案,利用量子核来从紧凑的数据集中捕捉复杂的关联,”研究人员写道。
“仅使用 159 个实验性的 GaN HEMT 样品,开发了一种量子核对齐回归器(QKAR),该回归器结合了浅层 Pauli-Z 特征映射和可训练的量子核对齐(QKA)层。所有模型,包括七个基线 CML 回归器,都在基于 PCA 的统一预处理管道下进行评估,以确保公平的比较。QKAR 在多个指标(MAE、MSE、RMSE)上始终优于经典基线,在实验数据验证时实现了 0.338Ω·mm 的平均绝对误差。通过交叉验证和新的器件制造进一步评估了抗噪声能力和泛化能力。”
Tim van der Laan 和 Zeheng Wang。图片版权:CSIRO
王泽恒,CSIRO 的量子研究员和论文第一作者,指出:“半导体行业正日益受到数据稀缺和工艺复杂性增加的限制。我们的结果表明,量子模型在精心设计的情况下可以捕捉到经典模型可能遗漏的模式,特别是在高维小数据环境中。我们通过制造新的氮化镓器件验证了该模型,这些器件表现出优化性能,并通过量子核谱分析,证实了 QML 超越训练数据泛化的能力。”
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)方法已被广泛探索用于增强制造过程建模,但这些局限性对 CML 模型构成了重大挑战,这些模型依赖于大量数据集以实现有效泛化,并难以捕捉半导体工艺中固有的复杂非线性关系。虽然 CML 已被广泛探索用于器件表征和制造建模,但当应用于小的高维数据集时,其性能仍然有限,往往导致过拟合和对未见数据的泛化能力差。
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)之间的复杂非线性关系,这进一步增加了使用传统机器学习技术进行建模的复杂性。解决这些挑战需要一种不同的计算范式,该范式能够有效捕捉高维相关性,同时在数据稀缺的环境中保持鲁棒性。我们在此探索量子计算(QC)算法来解决半导体制造中的这些挑战。”
QC 和 QML(量子机器学习)最近已成为解决 CML(经典机器学习)方法难以处理的计算问题的有前景的方法。“QML 可以利用量子核,这些核自然地捕捉复杂的特征交互,并为小数据集提供更好的泛化能力。这些特性使基于核的 QML 成为半导体建模的有力候选者,其中数据通常稀缺且工艺参数高度相互依赖。尽管 QML 具有理论上的优势,但研究人员指出,当应用于半导体制造建模时,QML 尚未显示出比 CML 的改进。”
在结论中,研究人员写道:“虽然 QKAR 在这个特定环境下表现良好,但经典模型通过更广泛的超参数调整或替代架构有可能取得更好的结果。此外,尽管这项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改进,QML 模型在实际半导体工作流程中的部署可能会变得更加可行。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性步骤。”
这项研究由一个国际团队进行。来自北京大学、嵩山湖材料实验室和香港城市大学的科研人员提供了制造数据集,CSIRO 利用这些数据集来训练量子机器学习模型。
加入专业工程师技术交流群 | 申请免费开发板
免费DIY开发器件 | 参与红包福利活动,
各种惊喜享不停~
快来扫码添加EEPW小助手微信!