Дослідники з австралійського CSIRO зробили перший у світі демонстраційний експеримент у галузі квантового машинного навчання для виготовлення напівпровідників. Модель, підсилена квантовими технологіями, перевершила традиційні методи штучного інтелекту і має потенціал кардинально змінити процес проектування мікросхем. Команда зосередилась на моделюванні важливого, але важкого для прогнозування параметра, що називається “Омів контакт”, який вимірює, наскільки легко струм проходить через місце контакту металу з напівпровідником.
Вони проаналізували 159 експериментальних зразків з передових транзисторів на основі нітриду галію (GaN), відомих своєю високою продуктивністю при великих частотах. Комбінуючи квантовий процесорний шар з традиційним регресійним кроком, модель змогла виявити тонкі патерни, які традиційні підходи не змогли б зафіксувати.
Вирішення складної проблеми дизайну
Згідно з дослідженням, дослідники CSIRO спочатку закодували багато змінних виробництва (таких як склади газів і часи відпалу) для кожного пристрою і використали метод головних компонент (PCA), щоб зменшити 37 параметрів до п’яти найважливіших. Професор Мухаммад Усман, який очолював дослідження, пояснює, що вони зробили це тому, що “квантові комп’ютери, які ми маємо, мають дуже обмежені можливості”.
Традиційне машинне навчання, навпаки, може стикатися з труднощами у випадках, коли дані є обмеженими або зв’язки нелінійними. Зосередившись на цих ключових змінних, команда змогла спростити задачу для сучасних квантових пристроїв.
Метод квантового ядра
Для моделювання даних команда створила спеціальну архітектуру Квантового Ядрового Регресора (QKAR). П’ять ключових параметрів кожного зразка були переведені у квантовий стан з п’ятьма кубітами за допомогою функціональної карти Паулі-Z, що дозволило квантовому ядру зафіксувати складні кореляції.
Дані з цього квантового шару передавалися у стандартний алгоритм навчання, який визначав, які параметри виробництва є найважливішими. Як зазначає Усман, ця комбінована квантово-класична модель точно вказує, які виробничі етапи потрібно налаштувати для оптимізації продуктивності пристрою.
У випробуваннях модель QKAR перевершила сім провідних класичних алгоритмів у тій самій задачі. Вона вимагала лише п’ять кубітів, що робить її здійсненною на сучасних квантових машинах. Доктор Цзехенг Ванг з CSIRO відзначив, що квантовий метод виявив патерни, які класичні моделі могли б пропустити у випадках з високою розмірністю та малою кількістю даних.
Щоб підтвердити цей підхід, команда виготовила нові пристрої GaN, керуючись рекомендаціями моделі; ці чіпи продемонстрували покращену продуктивність. Це підтвердило, що квантовий дизайн перевищує рамки навчених даних.