7月4日消息，据techxplore报道，澳大利亚研究团队近日开发出一项具突破性的半导体制程技术，首次成功应用量子机器学习（Quantum Machine Learning，QML）来构建模型，提升了半导体制造的精准度与效率，并有望降低芯片生产成本。

众所周知，先进的半导体加工工艺极具挑战性，它是现代工程中最复杂的工艺之一，因为它要求极高的精度，而且即使制造一块芯片也需要经过数百道工序，例如光刻、薄膜沉积、蚀刻等。

澳大利亚国家研究机构——联邦科学与工业研究组织（CSIRO）的研究人员首次利用量子机器学习（Quantum Machine Learning，QML）技术来构建半导体设计过程中的一个关键步骤——模拟半导体材料的欧姆接触电阻。欧姆接触电阻是测量半导体与金属接触时产生的电阻，它会影响电流的流动难易程度。

迄今为止，一个关键问题是欧姆接触电阻的建模非常困难。目前的方法采用经典的机器学习 (CML) 算法，但它们需要大量数据集，并且在小样本、非线性设置下性能会下降。

由澳大利亚联邦科学与工业研究组织 (CSIRO) 量子系统负责人兼教授穆罕默德·乌斯曼 (Muhammad Usman) 领导的澳大利亚研究人员走了一条不同的道路。他们采用量子机器学习 (QML) 方法，对 159 个 GaN HEMT（氮化镓高电子迁移率晶体管）半导体实验样本的数据进行分析。这种巧妙的方法融合了经典技术和量子技术。

首先，他们将众多制造变量缩小到仅对性能有关键影响的变量。

然后，他们开发了一种量子核对齐回归器 (QKAR) 架构，将经典数据转换为量子态，从而启动机器学习过程。从数据中提取所有特征后，经典算法会检索信息，然后对其进行训练以指导制造过程。QKAR 技术优于针对同一问题开发的七种不同的 CML 算法。

研究人员写道：“这些发现证明了 QML 在半导体领域有效处理高维、小样本回归任务的潜力，并随着量子硬件的不断成熟，为其在未来实际应用中的部署指明了有希望的途径。”

除了可能降低半导体行业的制造成本和提升设备性能外，这项研究还可能产生其他深远的影响。随着量子技术的不断发展，它们或许有助于解决超出传统计算机能力范围的复杂问题。

目前，该团队的研究成功已经发表在《先进科学》杂志上，首次表明，通过将量子方法应用于真实实验数据可以改进半导体制造。

编辑：芯智讯-林子