A kvantum MI és a klasszikus gépek szövetsége
A most kidolgozott kvantum gépi tanulási módszer Ausztráliában született, ötvözve a mesterséges intelligenciát a kvantumfizika szabályaival. A kvantumalgoritmusok képesek lehetnek gyökeresen leegyszerűsíteni a mikrochipek belső ellenállásának modellezését, amely kulcsfontosságú tényező a működési hatékonyság szempontjából. Különösen fontos kiemelni, hogy míg a hagyományos bitek csak nulla vagy egyes értéket vehetnek fel, a kvantumszámítógépek qubitjei egyszerre lehetnek több állapotban, így az adatok feldolgozása többszörösen párhuzamosan, exponenciálisan gyorsabban történhet.
Az MI a klasszikus adatokat kvantumállapotokká alakítja át, a kvantumrendszer pedig olyan bonyolult mintázatokat ismer fel, amelyeket a hagyományos gépek nem. Ezeket az eredményeket végül ismét egy klasszikus algoritmus értelmezi és hasznosítja.
Apró hibák, hatalmas következmények
A félvezetőgyártás kifinomult és soklépcsős folyamat. A szilícium ostyákra parányi anyagrétegek kerülnek, amelyeket precíz műveletekkel formálnak és mintáznak. A rétegek kialakítása során akár száz mikroszkopikus minta is rákerülhet egyetlen lemezre. Depozíció, fotoreziszt bevonat, litográfia, maratás, ionimplantáció – mind-mind milliárdnyi pontosságot igényel. Még a legkisebb eltérés is használhatatlan chipeket eredményezhet.
A kutatók most a legnehezebb problémára, az “Ohmikus kontaktellenállás” modellezésére fókuszáltak, amely megmutatja, mennyire hatékony az áramvezetés a fém és a félvezető között. Ez a tényező döntően befolyásolja a chip végső sebességét és energiahatékonyságát. A hagyományos, MI-alapú előrejelzés eddig gyakran kudarcot vallott a kevés, zajos és nemlineáris adat miatt.
Új algoritmus, nagy lépés
A kutatók 159 gallium-nitrid, nagy elektronmobilitású tranzisztor adatait vizsgálták. Első lépésként azonosították, mely gyártási paraméterek befolyásolják leginkább az ohmikus kontaktellenállást, majd egy forradalmi új MI-architektúrát fejlesztettek ki (Kvamtumos magkereső regresszor – Quantum Kernel-Aligned Regressor, QKAR).
A QKAR módszerrel a klasszikus adatokat kvantumállapotokká kódolták, így a kvantumszámítógép bonyolult összefüggéseket tárt fel. Végül egy klasszikus tanuló algoritmus használta fel ezeket az információkat, hogy pontos előrejelző modellt készítsen a chipgyártás számára. Az új algoritmust öt ismeretlen mintán tesztelték, majd eredményeit hét vezető klasszikus módszer, például mélytanuló algoritmus és gradiens emelés (gradient boosting) eredményeivel hasonlították össze.
Kiemelendő, hogy a QKAR jelentősen jobban teljesített: 0,338 ohm/cm ellenállási eredményt ért el, és a rendszer valódi kvantum hardveren is futtatható, amint ezek elérik a megfelelő stabilitást.
A gyártás jövője már itt kopogtat
Mindezt figyelembe véve a kvantum MI gyors fejlődése új korszakot nyithat a félvezetőgyártásban. Ahogy a kvantumeszközök megbízhatóbbá válnak, a most bemutatott megoldás a valódi chipgyártásban is gyorsan elterjedhet, így a jövő számítógépei és okoseszközei gyorsabbak, energiatakarékosabbak lesznek – egy kvantumugrásnyival.
