半导体加工的难度之大是出了名的。它是现代工程中最复杂的成就之一，因为即便是制造一枚芯片，也需要极高的精度，涉及蚀刻、分层等数百个步骤。
GaN HEMT 中欧姆接触形成的基于量子机器学习的建模过程的示意图。
然而，澳大利亚国家科研机构—— 联邦科学与工业研究组织（CSIRO）的研究人员完成了一项世界首创的成果，他们利用量子机器学习技术来制造半导体。他们的研究可能会彻底改变芯片的制造方式。
该团队的研究成果发表在《journal Advanced Science》期刊上，首次表明将量子方法应用于实际实验数据，能够改进半导体制造工艺。
他们将注意力集中在半导体设计过程中的一个关键步骤上—— 对半导体材料的欧姆接触电阻进行建模。这一指标用于衡量半导体与金属接触时产生的电阻，而这种电阻会影响电流的流动难易程度。
建模难题
到目前为止，一个棘手的问题是，欧姆接触电阻的建模难度极大。目前有一种方法是使用经典机器学习（CML）算法，但这类算法需要庞大的数据集，而且在小样本、非线性的情况下，其性能会下降。
由 CSIRO 量子系统部门负责人、教授穆罕默德・乌斯曼带领的澳大利亚研究团队则另辟蹊径。
他们对 159 个氮化镓高电子迁移率晶体管（GaN HEMT）半导体的实验样本数据采用了量子机器学习（
QML）方法。这种巧妙的方法融合了经典技术与量子技术。
用于优化 QKAR 性能的量子消融研究
首先，他们从众多制造变量中筛选出那些对性能有关键影响的变量。
接着，他们开发了一种量子核对齐回归器（QKAR）架构，将经典数据转换为量子态，从而启动机器学习过程。当从数据中提取出所有特征后，再用一种经典算法检索这些信息，然后通过训练该算法来指导制造过程。
在针对同一问题的研究中，QKAR 技术的表现优于七种不同的经典机器学习算法。
研究人员写道：“这些发现表明，在半导体领域，量子机器学习在有效处理高维度、小样本回归任务方面具有潜力；并且随着量子硬件的不断成熟，它在未来实际应用中的部署前景十分广阔。”
除了有可能降低半导体行业的制造成本、提升器件性能外，这项研究或许还会带来其他深远影响。随着量子技术的不断发展，它们可能会帮助解决那些经典计算机难以应对的复杂问题。
关注我们 设为星标
