Подход QKAR превзошел семь различных алгоритмов CML, разработанных для решения этой проблемы.
Исследователи CSIRO доктор Тим ван дер Лаан (слева), доктор Зехенг Ван (в центре) и профессор Мухаммад Усман (справа) с блоком управления для рефрижератора растворения для тестирования сверхпроводящих цепей и кубитов
CSIRO
Исследователи из Организации по научным и промышленным исследованиям Содружества (CSIRO), национального исследовательского агентства Австралии, применили квантовое машинное обучение для создания полупроводников будущего.
Исследователи показали, что их подход превзошел классические вычисления на основе искусственного интеллекта, которые в настоящее время используются при проектировании и производстве полупроводников, и может изменить способ проектирования микрочипов.
Проектирование полупроводников — это место, где эксперты из таких областей, как электротехника, материаловедение и вычислительная техника, объединяются для создания интегральных схем, которые питают современные электронные устройства. Экспертные знания из различных областей вкладывают, а затем тщательно тестируют, чтобы определить, может ли устройство соответствовать установленным для него критериям производительности.
В эпоху высокопроизводительных вычислений и искусственного интеллекта (ИИ) проектирование полупроводников также совершенствуется с помощью этих инструментов. Классическое машинное обучение (CML) уже применялось в этих областях.
Однако его производительность ухудшается в нелинейных сценариях с малыми выборками. Вот почему исследователи из CSIRO были заинтересованы в изучении возможности использования вместо него квантового машинного обучения (QML).
Критически важные полупроводники, но общеизвестно сложные
Исследовательская группа под руководством Мухаммада Усмана, профессора и руководителя квантовых систем в CSIRO, сосредоточилась на моделировании омического контактного сопротивления полупроводникового материала в своей работе. Это мера электрического сопротивления, где полупроводник соприкасается с металлом, и ток может свободно течь.
Хотя это имеет решающее значение в проектировании полупроводников, это также наиболее сложно моделировать. Исследовательская группа использовала свой подход квантового машинного обучения на данных 159 экспериментальных образцов GaN HEMT (транзистор с высокой подвижностью электронов на основе нитрида галлия). Эти полупроводники обладают лучшими эксплуатационными характеристиками, чем полупроводники на основе кремния.
Сначала исследователи использовали широкий спектр параметров, но затем сузили их, чтобы определить, какие факторы влияют на процесс изготовления. Первоначально список был сокращен до 37 параметров для каждого эксперимента, а затем до пяти для анализа главных компонентов.
«Квантовые компьютеры, которые у нас сейчас есть, имеют очень ограниченные возможности», — объяснил Усман изданию Cosmos. «Поэтому мы хотели упростить их. Мы хотели убедиться, что можем разумно уменьшить размерность задачи и сделать это в рамках возможностей текущих квантовых процессов».
Работа с квантовой магией
Исследователи разработали архитектуру Quantum Kernel-Aligned Regressor (QKAR) для работы над квантовым компонентом. QKAR преобразует классические данные в квантовые данные в пяти кубитах.
Это отображение в кубиты имеет решающее значение для начала процесса машинного обучения, который происходит через слой выравнивания квантового ядра. Этот слой извлекает важные признаки из наборов данных, а затем классический алгоритм используется для извлечения информации.
«Эта классическая технология машинного обучения берет результат, извлеченный квантовым методом, а затем обучается возвращаться к производству», — добавил Усман.
«Она может сообщить нам важные параметры в процессе изготовления, которые играют решающую роль, и что необходимо изменить или настроить для оптимизации изготовления».
Подход QKAR превзошел семь различных алгоритмов CML, разработанных для решения этой проблемы. Что еще важнее, поскольку метод требует всего пять кубитов, его можно немедленно использовать для решения проблем в производственной отрасли.
«Наши результаты показывают, что квантовые модели, если они тщательно спроектированы, могут улавливать закономерности, которые классические модели могут упускать, особенно в многомерных режимах с малыми данными», — сказал Цзэхэн Ван, квантовый исследователь из CSIRO, принимавший участие в работе.
«Мы проверили модель, изготовив новые устройства GaN, которые показали оптимальную производительность, и с помощью анализа спектра квантового ядра подтвердили способность QML обобщать данные, выходящие за рамки обучающих данных».
Результаты исследования опубликованы в журнале Advanced Science.
Sourse: interestingengineering.com
