7月4日消息，據techxplore報道，澳大利亞研究團隊近日開發出一項具突破性的半導體制程技術，首次成功應用量子機器學習(Quantum Machine Learning，QML)來構建模型，提升了半導體制造的精準度與效率，并有望降低芯片生產成本。

　　眾所周知，先進的半導體加工工藝極具挑戰性，它是現代工程中最復雜的工藝之一，因為它要求極高的精度，而且即使制造一塊芯片也需要經過數百道工序，例如光刻、薄膜沉積、蝕刻等。

　　澳大利亞國家研究機構——聯邦科學與工業研究組織(CSIRO)的研究人員首次利用量子機器學習(Quantum Machine Learning，QML)技術來構建半導體設計過程中的一個關鍵步驟——模擬半導體材料的歐姆接觸電阻。歐姆接觸電阻是測量半導體與金屬接觸時產生的電阻，它會影響電流的流動難易程度。

　　迄今為止，一個關鍵問題是歐姆接觸電阻的建模非常困難。目前的方法采用經典的機器學習 (CML) 算法，但它們需要大量數據集，并且在小樣本、非線性設置下性能會下降。

　　由澳大利亞聯邦科學與工業研究組織 (CSIRO) 量子系統負責人兼教授穆罕默德·烏斯曼 (Muhammad Usman) 領導的澳大利亞研究人員走了一條不同的道路。他們采用量子機器學習 (QML) 方法，對 159 個 GaN HEMT(氮化鎵高電子遷移率晶體管)半導體實驗樣本的數據進行分析。這種巧妙的方法融合了經典技術和量子技術。

　　首先，他們將眾多制造變量縮小到僅對性能有關鍵影響的變量。

　　然后，他們開發了一種量子核對齊回歸器 (QKAR) 架構，將經典數據轉換為量子態，從而啟動機器學習過程。從數據中提取所有特征后，經典算法會檢索信息，然后對其進行訓練以指導制造過程。QKAR 技術優于針對同一問題開發的七種不同的 CML 算法。

　　研究人員寫道：“這些發現證明了 QML 在半導體領域有效處理高維、小樣本回歸任務的潛力，并隨著量子硬件的不斷成熟，為其在未來實際應用中的部署指明了有希望的途徑。”

　　除了可能降低半導體行業的制造成本和提升設備性能外，這項研究還可能產生其他深遠的影響。隨著量子技術的不斷發展，它們或許有助于解決超出傳統計算機能力范圍的復雜問題。

　　目前，該團隊的研究成功已經發表在《先進科學》雜志上，首次表明，通過將量子方法應用于真實實驗數據可以改進半導體制造。