Microchips alimenter presque tous les appareils modernes – téléphones, ordinateurs portables et même réfrigérateurs. Mais dans les coulisses, en faire un processus complexe. Mais les chercheurs disent qu’ils ont trouvé un moyen de puiser dans la puissance de l’informatique quantique pour le simplifier.
Les scientifiques d’Australie ont développé une technique d’apprentissage automatique quantique – un mélange de intelligence artificielle (Ai) et calcul quantique Principes – qui pourraient changer la façon dont les micropuces sont faites.
Ils ont décrit leurs résultats dans une nouvelle étude publiée le 23 juin dans la revue Science avancée. Dans ce document, les chercheurs ont démontré pour la première fois comment les algorithmes d’apprentissage automatique quantiques peuvent améliorer considérablement le processus difficile de modélisation de la résistance électrique à l’intérieur d’une puce – un facteur clé qui affecte son effectif efficacement.
L’apprentissage automatique quantique est une approche hybride qui combine des données classiques avec des méthodes de calcul quantique. Dans l’informatique classique, les données sont stockées dans des bits codés en 0 ou 1. Les ordinateurs quantiques utilisent des qubits et, grâce à des principes tels que la superposition et l’enchevêtrement, les qubits peuvent exister simultanément dans plusieurs états – de sorte que deux qubits peuvent être simultanés à 00, 01, 10 et 11.
Cela permet aux systèmes informatiques quantiques de traiter des relations mathématiques complexes beaucoup plus rapidement que les systèmes classiques – avec un traitement parallèle à l’échelle de façon exponentielle, plus vous ajoutez de qubits à un système
L’apprentissage automatique quantique prend des données classiques et les code dans les états quantiques. L’ordinateur quantique peut alors découvrir des modèles dans les données qui seraient difficiles à détecter pour les systèmes classiques. Un système classique prend ensuite le relais pour interpréter les résultats ou les appliquer.
À l’intérieur du processus de fabrication des puces
La fabrication de semi-conducteurs est un processus complexe à plusieurs étapes qui nécessite une précision minutieuse – et chaque étape doit être effectuée avec une précision extrême. Même le plus petit désalignement peut faire échouer une puce.
Cela implique d’abord l’empilement et la sculpture souvent des centaines de couches microscopiques sur une tranche de silicium – une fine tranche de silicium circulaire qui forme le fond de teint de la puce.
Dépôt Couches de films minces de matériau sur la tranche. Le revêtement de photorésistaire applique un matériau sensible à la lumière qui permet une structuration précise – le processus de création des minuscules formes complexes qui définissent les circuits d’une puce.
En lithographie, la lumière transfère ces motifs sur la surface de la tranche. La gravure élimine ensuite les zones de matériau sélectionnées pour se tailler des structures de circuit. L’implantation ionique ajuste les propriétés électriques de chaque couche en incorporant des particules chargées. Enfin, la puce est emballée, ce qui signifie qu’elle est enfermée et connectée afin qu’elle puisse être intégrée dans un appareil.
C’est là que les principes informatiques quantiques entrent en jeu. Dans l’étude, les chercheurs se sont concentrés sur la modélisation de la résistance aux contacts ohmiques – un défi particulièrement difficile dans la fabrication de jetons. Il s’agit d’une mesure de la facilité avec laquelle l’électricité circule entre les couches métalliques et semi-conductrices d’une puce; Plus cela est bas, plus les performances plus rapides et plus économes en énergie peuvent être.
Cette étape survient après que les matériaux sont en couches et motivés sur la tranche, et il joue un rôle essentiel dans la détermination de la façon dont la puce finie fonctionnera. Mais le modéliser avec précision a été un problème.
Les ingénieurs comptent généralement sur des algorithmes classiques d’apprentissage automatique, qui apprennent les modèles des données pour faire des prédictions, pour ce type de calcul. Bien que cela fonctionne bien avec de grands ensembles de données propres, les expériences de semi-conducteurs produisent souvent de petits ensembles de données bruyants avec des modèles non linéaires, où l’apprentissage automatique peut échouer. Pour y remédier, les chercheurs se sont tournés vers l’apprentissage automatique quantique.
Un nouveau type d’algorithme
L’équipe a travaillé avec des données à partir de 159 échantillons expérimentaux de transistors à mobilité d’électrons à haut électron (GAN HEMTS) – semi-conducteurs connus pour leur vitesse et leur efficacité, couramment utilisés dans l’électronique et les dispositifs 5G.
Tout d’abord, ils ont identifié les variables de fabrication ont eu le plus grand impact sur la résistance aux contacts ohmiques, rétrécissant l’ensemble de données aux entrées les plus pertinentes. Ensuite, ils ont développé une nouvelle architecture d’apprentissage automatique appelée régresseur aligné sur le noyau quantique (QKAR).
QKAR convertit les données classiques en états quantiques, permettant au système quantique d’identifier ensuite des relations complexes dans les données. Un algorithme classique apprend ensuite de ces idées, créant un modèle prédictif pour guider la fabrication des puces. Ils ont testé le modèle sur cinq nouveaux échantillons qui n’ont pas été inclus dans les données de formation.
Le nouveau modèle a été testé sur ces échantillons contre sept modèles classiques de premier plan, notamment l’apprentissage en profondeur et les méthodes de renforcement du gradient et cela les a tous surpassés. QKAR a obtenu un résultat significativement meilleur que ce qui est obtenu en utilisant des modèles traditionnels (0,338 ohm par millimètre) – bien que des chiffres spécifiques n’étaient pas inclus dans l’étude.
Surtout, cependant, il a été conçu pour être compatible avec le matériel du monde réel, ce qui signifie qu’il pourrait être déployé sur des machines quantiques car elles deviennent plus fiables.
« Ces résultats démontrent le potentiel de la (apprentissage automatique quantique) QML pour gérer efficacement les tâches de régression à petite dimension à petit échantillon dans les domaines semi-conducteurs », ont écrit les scientifiques dans l’étude. Ils ont ajouté que la méthode pourrait bientôt être appliquée à la production de puces réelles, d’autant plus que le matériel quantique continue d’évoluer.
