Инженеры из национального научного агентства Австралии CSIRO впервые применили квантовое машинное обучение для изготовления полупроводников. Исследование может изменить подход к проектированию будущих микрочипов.
Профессор Мухаммад Усман, руководитель исследований в области квантовых систем в Data61, ранее объяснял Cosmos, что исследования квантовых алгоритмов сегодня имеют решающее значение для разработки полезных квантовых компьютеров будущего.
Квантовое машинное обучение превосходит классическое
Усман объяснил, что квантовое машинное обучение (QML) может превзойти алгоритмы классического машинного обучения (CML). Это было проверено в новом исследовании, опубликованном в журнале Advanced Science. Исследование впервые показало, что квантовый метод может быть применён к реальным экспериментальным данным при изготовлении полупроводников для улучшения процесса.
Команда особенно заинтересовалась моделированием омического контактного сопротивления полупроводникового материала. Это свойство измеряет электрическое сопротивление в месте контакта полупроводника с металлом, где ток легко проходит между материалами в обоих направлениях.
Моделирование омического контактного сопротивления имеет решающее значение для проектирования и изготовления полупроводников, но это свойство, которое трудно смоделировать.
Тестирование QML на данных экспериментальных образцов
Команда протестировала свою модель QML на данных из 159 экспериментальных образцов полупроводников GaN HEMT (транзистор с высокой подвижностью электронов на основе нитрида галлия). GaN HEMT демонстрирует превосходные характеристики по сравнению с более распространёнными транзисторами на основе кремния.
«Как только мы получаем наборы данных для изготовления полупроводников, мы проводим большую предварительную обработку. Этот шаг является классическим. Мы берём различные параметры, влияющие на изготовление, и выполняем своего рода «горячее кодирование», которое просто указывает, активирован ли конкретный параметр или нет», — объясняет Усман, старший автор нового исследования.
«Это единицы и нули, которые просто указывают, например, был ли включён определённый газ, время отжига, была ли легированная добавка или нет», — говорит он.
После выполнения «горячего кодирования» у команды получился список из 37 параметров для каждого эксперимента. Дальнейший классический анализ, называемый анализом главных компонент, сократил параметры до пяти.
Разработка инновационной архитектуры
Команда разработала инновационную архитектуру под названием Quantum Kernel-Aligned Regressor (QKAR). Их установка QKAR включала квантовую карту признаков Паули-Z — математический оператор, который может переводить классические данные в квантовые состояния в виде 5 квантовых битов, или кубитов.
После того как данные сопоставлены с кубитами, для выполнения машинного обучения используется слой выравнивания квантового ядра.
В вычислениях ядра являются основными компонентами операционной системы. Они управляют ресурсами системы и служат мостом между программными и аппаратными элементами.
Усман объясняет, что квантовые вычисления ядра извлекают важные особенности из наборов данных для изготовления. «Именно здесь происходит вся квантовая магия, потому что эти ядра сильно запутаны. Когда они обрабатывают набор данных, они получают доступ к информации, которая не была бы доступна с помощью классических ядер, которые люди использовали в прошлом», — говорит он.
После того как квантовое ядро извлекло важные особенности, для извлечения информации используется окончательный классический алгоритм. «Эта классическая техника машинного обучения использует результат, извлечённый квантовым методом, и затем обучается для управления процессом изготовления. Она может сказать нам, какие параметры в процессе изготовления играют решающую роль, и что нужно изменить или настроить для оптимизации изготовления», — объясняет Усман.
Техника QKAR превзошла 7 алгоритмов CML, также обученных на той же проблеме. Он добавляет, что, поскольку требуется всего 5 кубитов, метод сразу же применим к текущим квантовым архитектурам.
«Это очень удобная техника. Обычно, когда люди говорят о квантовых алгоритмах, им требуется десятки кубитов, которых нет в наличии. Но этот метод, который мы разработали, сочетая классическое и квантовое, может быть реализован в ближайшем будущем и принести пользу», — говорит Усман.
Результаты исследования
«Полупроводниковая промышленность всё больше ограничивается нехваткой данных и растущей сложностью процессов», — говорит ведущий автор доктор Чжен Ван. «Наши результаты показывают, что квантовые модели, при тщательной разработке, могут улавливать закономерности, которые классические модели могут упустить, особенно в режимах с высокой размерностью и малым объёмом данных».
«Одним из самых больших вызовов в квантовом машинном обучении является его практическое применение», — говорит соавтор доктор Тим ван дер Лаан. «Внедряя обучаемый слой выравнивания ядра в неглубокую квантовую схему, мы продемонстрировали, что полезная производительность может быть достигнута даже при ограниченном аппаратном обеспечении с кубитами».
«Модель также показала устойчивость при реалистичных уровнях квантового шума, что важно для будущей реализации на реальных устройствах NISQ (Noisy intermediate-scale quantum)», — добавляет он.
Усман говорит, что модель QKAR может быть адаптирована для других материалов, помимо этого первоначального доказательства концепции на GaN. «Это пример, когда квантовые методы ясно показывают, что они могут извлекать особенности, которые недоступны классическим методам», — говорит он. «Это первое исследование, которое мы опубликовали, и мы продемонстрировали, что оно работает. Теперь мы будем работать с другими учёными, занимающимися разработкой материалов, и изучать новые системы материалов. Мы также будем изучать другие полупроводниковые материалы, такие как процессы изготовления кремния».