Representación esquemática del proceso de modelado basado en el aprendizaje automático cuántico para la formación de contacto óhmico en hemts GaN. Crédito: Ciencia avanzada (2025). Doi: 10.1002/advs.202506213
El procesamiento de semiconductores es notoriamente desafiante. Es una de las hazañas más intrincadas de la ingeniería moderna debido a la extrema precisión requerida y los cientos de pasos involucrados, como el grabado y las capas, para hacer incluso un solo chip.
Sin embargo, en un mundo primero, los investigadores de la Organización de Investigación Científica e Industrial de la Commonwealth (CSIRO), la Agencia Nacional de Investigación de Australia, han utilizado el aprendizaje automático cuántico para fabricar semiconductores. Su investigación podría revolucionar la forma en que se hacen los chips.
El estudio del equipo, publicado En la revista Advanced Science, muestra por primera vez que la fabricación de semiconductores se puede mejorar aplicando una metodología cuántica a datos experimentales reales.
Centraron su atención en un paso crítico en el proceso de diseño de semiconductores, modelando la resistencia de contacto óhmico del material semiconductor. Esta es una medida de la resistencia eléctrica que ocurre cuando un semiconductor entra en contacto con el metal, lo que afecta la facilidad con la que puede fluir la corriente.
Problemas de modelado
Un punto de conflicto hasta ahora es que la resistencia al contacto óhmico es muy difícil de modelar. Un enfoque actual utiliza algoritmos de aprendizaje automático clásico (CML), pero requieren grandes conjuntos de datos, y su rendimiento se degrada en configuraciones no lineales de muestras pequeñas.
Los investigadores australianos, dirigidos por Muhammad Usman, profesor y jefe de sistemas cuánticos en CSIRO, fueron de una manera diferente.
Emplearon un enfoque de aprendizaje automático cuántico (QML) en los datos de 159 muestras experimentales de semiconductores de HEMT GaN HEMT (transistor de alta modificación de mobilización de nitruro de galio). Este método inteligente combina técnicas clásicas y cuánticas.
Estudio de ablación cuántica para optimizar el rendimiento de QKAR. Crédito: Ciencia avanzada (2025). Doi: 10.1002/advs.202506213
Primero, redujeron las muchas variables de fabricación solo para aquellas que tienen un impacto clave en el rendimiento.
Luego, desarrollaron una arquitectura de regresor alineado de núcleo cuántico (QKAR) para traducir datos clásicos en estados cuánticos para comenzar el proceso de aprendizaje automático. Una vez que todas las características se extrajeron de los datos, un algoritmo clásico recuperó la información, que luego fue entrenada para guiar el proceso de fabricación.
La técnica QKAR superó siete algoritmos CML diferentes desarrollados para el mismo problema.
“Estos hallazgos demuestran el potencial de QML para manejar efectivamente tareas de regresión de alta dimensión y muestras pequeñas en dominios semiconductores y apuntar a vías prometedoras para su despliegue en futuras aplicaciones del mundo real a medida que el hardware cuántico continúa madurando”, escribieron los investigadores.
Además de reducir potencialmente los costos de fabricación y mejorar el rendimiento del dispositivo en la industria de los semiconductores, esta investigación puede tener otras consecuencias de largo alcance. A medida que las tecnologías cuánticas continúan evolucionando, pueden ayudar a resolver problemas complejos que están más allá de las capacidades de las computadoras clásicas.
Escrito para usted por nuestro autor Paul Arnoldeditado por Gaby Clarky verificado y revisado por Robert Egan—Este artículo es el resultado de un trabajo humano cuidadoso. Confiamos en lectores como usted para mantener vivo el periodismo científico independiente. Si este informe le importa, considere un donación (especialmente mensual). Obtendrá una cuenta sin anuncios como agradecimiento.
Más información: Zeheng Wang et al, aprendizaje de núcleo cuántico para modelos de conjuntos de datos pequeños en fabricación de semiconductores: aplicación al contacto ohmic, ciencia avanzada (2025). Doi: 10.1002/advs.202506213
© 2025 Science X Network
Cita: Quantum Machine Learning mejora la fabricación de semiconductores para la primera vez (2025, 3 de julio) Recuperado el 3 de julio de 2025 de https://techxplore.com/news/2025-07-quantum-machine-semiconductor.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
