量子计算或改变芯片制造方式

　　参考消息网8月3日报道 据美国趣味科学网站7月29日报道，制造微芯片是一个复杂的过程。但研究人员称，他们找到了利用量子计算的力量简化这一过程的方法。

　　澳大利亚科学家开发了一种结合人工智能和量子计算原理的量子机器学习技术，可能改变微芯片的制造方式。

　　他们在6月23日发表于《先进科学》杂志的新论文中介绍了这一研究成果。在论文中，研究人员首次论证了量子机器学习算法如何能显著改善芯片内部电阻建模的挑战性过程——电阻是影响芯片运行效率的关键因素。

　　量子机器学习是一种把传统数据与量子计算方法结合起来的混合手段。在传统计算过程中，数据存储在被编码为0或1的比特中。而量子计算机则使用量子比特，而且由于量子叠加态和纠缠等原理，量子比特可同时处于多种状态，因此两个量子比特可同时代表00、01、10和11。

　　这使量子计算系统能够以比传统系统快得多的速度处理复杂数学关系——随着你在系统中增加量子比特数目，并行处理能力呈指数级提升。

　　量子机器学习将传统数据编码为量子态，然后量子计算机就能发现这些数据中存在的模式——用传统计算系统难以发现这些模式。随后一个传统系统将接手，以便对结果加以解释或应用。

　　半导体制造是一项复杂的多步骤工艺，需要费尽苦心提升精度，而且必须极端准确地完成每一步。哪怕最微小的偏差都可能导致芯片报废。

　　在这项研究中，研究人员把重点放在对欧姆接触电阻的建模上——这是芯片制造过程中一项尤其艰难的挑战。欧姆接触电阻是衡量芯片金属层和半导体层之间电流流动难易程度的指标。该数值越低，芯片的性能和能效就越高。

　　这一步是在晶圆被涂覆材料和绘上图形后进行的，在决定成品芯片性能方面发挥着关键作用。但准确建模一直是个难题。

　　工程师们通常依赖传统机器学习算法来进行此类计算，这些算法从数据中学习模式以做出预测。尽管这种方法对于大规模、高质量数据集十分管用，但半导体实验通常生成的是包含非线性模式的小规模、带噪声的数据集，后者让机器学习发挥不了作用。为了解决这个问题，研究人员转向量子机器学习。

　　研究团队对来自159个氮化镓高电子迁移率晶体管实验样本的数据进行了处理。这种半导体以快速和高效著称，常用于电子设备和5G装置中。

　　首先，研究人员确定了哪些制造变量对欧姆接触电阻的影响最大，把数据集规模缩小到只包含最具相关性的数据。然后他们开发了一种新的被称为“量子核对齐回归器”(QKAR)的机器学习架构。

　　QKAR架构把传统数据转换至量子态，从而使该量子系统随后能够识别数据中存在的复杂关系。之后，一个传统算法将借鉴这些观察结果，创建一个预测性模型以指导芯片制造流程。研究人员利用未包含在训练数据中的五个新样本对该模型进行了测试。

　　研究团队利用这些样本对该模型与七个领先的传统模型——包括深度学习模型和梯度提升模型——进行了对照测试，新模型的表现完胜所有传统模型。QKAR取得了明显优于传统模型的结果，尽管论文没有提供具体的数值。

　　这些科学家在论文中写道：“这项研究成果证明，量子机器学习在有效处理半导体领域的高维、小样本回归任务方面具备潜力。”

　　他们还表示，尤其是在量子硬件持续发展的情况下，这种方法可能很快被用在现实世界的芯片生产活动中。（编译/曹卫国）