开云官方入口 开云网址他们基于实验数据验证了一个用于半导体制造的量子机器学习模型，这可能会重塑未来芯片的设计方式。我们已经证明，在建模欧姆接触电阻方面，量子机器学习能够超越经典人工智能。而欧姆接触电阻的建模是现代半导体器件制造中一个关键但难以建模的工艺步骤。

　　研究人员写道：“由于高维参数空间和有限的实验数据，对欧姆接触形成等复杂的半导体制造工艺进行建模仍然具有挑战性。虽然经典机器学习（CML）方法在许多领域都取得了成功，但在小样本、非线性场景下，其性能会下降。本研究探索了量子机器学习（QML）作为替代方案，利用量子核从紧凑的数据集中捕捉复杂的相关性。”

　　研究团队仅使用159个实验性氮化镓高电子迁移率晶体管（GaN HEMT）样本，开发了一种量子核对齐回归器（QKAR），它结合了浅层泡利-Z特征映射和可训练的量子核对齐（QKA）层。为确保公平比较，所有模型（包括7个基线经典机器学习回归器）都在统一的基于主成分分析（PCA）的预处理流程下进行评估。量子核对齐回归器在多个指标（平均绝对误差MAE、均方误差MSE、均方根误差RMSE）上始终优于经典基线模型，在实验数据验证中实现了0.338Ω·mm的平均绝对误差。通过交叉验证和新器件制造，研究进一步评估了该模型的噪声鲁棒性和泛化能力。

　　该研究的主要作者、CSIRO的量子研究员王泽恒指出：“半导体行业正日益受到数据稀缺和工艺复杂性上升的制约。我们的研究结果表明，精心设计的量子模型能够捕捉到经典模型可能遗漏的模式，特别是在高维、小数据情况下。我们通过制造新的氮化镓器件验证了该模型，这些器件表现出优化的性能，并且通过量子核谱分析，证实了量子机器学习具有超越训练数据进行泛化的能力。”

　　研究人员细致描述了半导体设计给经典设计带来的挑战：“尽管经典机器学习方法已在增强制造工艺建模方面得到广泛探索，但这些局限性对经典机器学习模型构成了重大挑战——经典机器学习模型依赖于大型数据集才能有效泛化，且难以捕捉半导体工艺中固有的复杂非线性关系。虽然经典机器学习在器件表征和制造建模方面已被广泛探索，但当应用于小型高维数据集时，其性能仍然有限，常常导致过拟合和对未见过的数据泛化能力差。”

　　“此外，半导体制造涉及工艺参数（如退火温度、时间和大气条件）之间复杂的非线性关系，这让使用传统机器学习技术进行建模变得更为复杂。解决这些挑战需要一种不同的计算范式，这种范式能够有效捕捉高维相关性，同时在数据稀缺的环境中保持稳健性。因此，我们探索了量子计算算法来解决半导体制造中的这两个挑战。”

　　量子计算，特别是量子机器学习，最近已成为解决经典机器学习方法难以处理的计算问题的有前途的方法。研究人员认为，量子机器学习可以利用量子核自然地捕捉复杂的特征相互作用，并在小数据集上提供更优的泛化能力。这些特性使基于核的量子机器学习成为半导体建模的有力候选方案，因为在半导体建模中，数据通常稀缺且工艺参数高度相互依赖。尽管具有理论优势，但量子机器学习在应用于半导体制造建模时，尚未证明其优于经典机器学习。

　　研究表明，虽然量子核对齐回归器在这一特定背景下表现良好，但经典模型通过更广泛的超参数调整或采用替代架构，有可能取得更好的结果。此外，尽管本研究是在量子模拟器上进行的，但所使用的量子电路与当前的含噪中等规模量子（NISQ）硬件兼容。随着量子处理器在保真度和规模上的改进，量子机器学习模型在实际半导体工作流程中的部署可能会变得越来越可行。因此，这项工作代表了将量子学习技术整合到数据驱动的制造建模中的一个基础性步骤。