Слишком хрупкий для реальности: почему микрочипы всё чаще требуют технологий будущего

Микрочипы — невидимые дирижёры современной цифровой симфонии. Они управляют смартфонами, ноутбуками, "умными" холодильниками и практически всеми электронными устройствами. Но за кажущейся простотой скрывается по-настоящему сложный и хрупкий производственный процесс. Теперь австралийские учёные предлагают новый способ оптимизации этой цепочки — с помощью квантового машинного обучения.

Откуда берётся прорыв?

23 июня журнал Advanced Science опубликовал работу исследователей, в которой они впервые показали, как алгоритмы квантового машинного обучения (QML) могут существенно упростить ключевой этап производства микрочипов — моделирование электрического сопротивления. Эта величина критически влияет на производительность и энергоэффективность полупроводниковых устройств.

По сути, это шаг к созданию "умных чипов", производимых с помощью технологий будущего, которые сегодня всё чаще становятся реальностью.

Как работает квантовое машинное обучение?

Если обычные компьютеры оперируют битами (0 или 1), то квантовые используют кубиты — они могут существовать в нескольких состояниях одновременно благодаря феноменам суперпозиции и квантовой запутанности. Два кубита, к примеру, одновременно могут хранить значения 00, 01, 10 и 11.

Именно это позволяет квантовым системам быстрее решать сложные задачи, а при масштабировании их вычислительная мощность растёт экспоненциально. QML строит мост между классическими данными и квантовыми состояниями: квантовая часть находит скрытые закономерности, а классическая — интерпретирует и использует их.

Почему это важно для микрочипов?

Производство микросхем — это ювелирная работа на наноуровне. Сначала на кремниевую пластину наносятся десятки микроскопических слоёв, затем с помощью литографии и травления создаются структуры схем, имплантируются ионы, корректирующие электрические свойства, а в финале — сборка в корпус и тестирование.

На одном из этапов возникает сложность: нужно точно рассчитать омическое контактное сопротивление — то есть, насколько эффективно проходит ток между металлическими и полупроводниковыми слоями. Малейшее отклонение может привести к неработоспособности чипа. Классические методы машинного обучения не справляются с "шумными" и малыми наборами экспериментальных данных. Квантовые — справляются.

QKAR — новая модель, которая удивила

Учёные сосредоточились на 159 образцах GaN HEMT-транзисторов — они быстро работают и применяются в 5G. Исследователи сначала определили, какие параметры наибольше влияют на сопротивление, затем внедрили собственную модель — квантовый регрессор с выравниванием по ядру (QKAR).

Эта модель не просто превосходит существующие. Она была протестирована на пяти новых образцах и продемонстрировала лучший результат по сравнению с семью ведущими классическими алгоритмами, включая глубокое обучение и градиентный бустинг. Среднее сопротивление составило 0,338 Ом·мм — меньше, чем у аналогов.

Главное — QKAR уже адаптирован под текущее квантовое оборудование, что делает его практически применимым.