Günümüzdeki akıllı telefonlardan bilgisayarlara, hatta buzdolaplarına kadar hayatımızın merkezinde yer alan mikroçiplerin üretim süreci oldukça karmaşık. Ancak Avustralyalı araştırmacılar, bu süreci basitleştirebilecek heyecan verici bir gelişmeye imza attılar: kuantum bilgisayarların gücünü kullanarak yarı iletkenler için yeni bir üretim yöntemi geliştirdiler.
Yapay zeka ve kuantum hesaplama prensiplerini harmanlayan bu kuantum makine öğrenmesi tekniği, mikroçiplerin üretim şeklini kökten değiştirebilir. Yapılan yeni bir çalışmada bilim insanları, kuantum makine öğrenmesi algoritmalarının, bir çipin performansını doğrudan etkileyen elektriksel direnç modellemesi gibi zorlu süreçleri nasıl önemli ölçüde iyileştirebildiğini ilk kez gösterdiler.
Kuantum makine öğrenmesi, klasik verileri kuantum hesaplama yöntemleriyle birleştiren hibrit bir yaklaşım olarak öne çıkıyor. Klasik bilgisayarlarda veriler 0 veya 1 olarak kodlanan bit'ler halinde saklanırken, kuantum bilgisayarlar kübit adı verilen birimleri kullanır. Süperpozisyon ve dolanıklık gibi prensipler sayesinde kübitler aynı anda birden fazla durumda bulunabilir. Bu da kuantum sistemlerinin karmaşık matematiksel ilişkileri, klasik sistemlere göre çok daha hızlı işlemesine olanak tanır.
Bu yeni yöntem, klasik verileri kuantum durumlarına dönüştürerek çalışıyor. Ardından kuantum bilgisayar, klasik sistemlerin tespit etmekte zorlanacağı karmaşık örüntüleri veriler içinde ortaya çıkarıyor. Elde edilen sonuçlar, bir klasik algoritma tarafından yorumlanarak veya uygulanarak çip üretiminde kullanılıyor.
Yarı iletken üretimi, hassas ve titizlikle yürütülmesi gereken, yüzlerce mikroskobik katmanın silikon wafer üzerine hassas bir şekilde yerleştirilmesini ve şekillendirilmesini içeren çok adımlı bir süreçtir. Bu süreçte litografi, aşındırma ve iyon implantasyonu gibi çeşitli teknikler kullanılarak çipin devresi oluşturulur. Üretimin kritik aşamalarından biri de Ohmik temas direncinin modellenmesidir. Bu, çipin metal ve yarı iletken katmanları arasındaki elektrik akışının ne kadar kolay olduğunu ölçer ve direncin düşüklüğü, çipin daha hızlı ve enerji verimli çalışmasını sağlar.
Bu direncin modellenmesi, klasik makine öğrenmesi algoritmaları için genellikle zorlu bir görevdir. Çünkü yarı iletken deneylerinden elde edilen veriler genellikle küçük, gürültülü ve doğrusal olmayan örüntülere sahiptir. Araştırmacılar, bu zorluğun üstesinden gelmek için kuantum makine öğrenmesini kullanmışlardır.
Çalışmada, hızlı ve verimli olmalarıyla bilinen, elektronik ve 5G cihazlarında yaygın olarak kullanılan galyum nitrür yüksek-elektron-mobilliği transistörleri (GaN HEMT'ler) üzerine odaklanılmıştır. Araştırmacılar, Ohmik temas direncini en çok etkileyen üretim değişkenlerini belirleyerek veri setini daralttılar. Ardından, klasik verileri kuantum durumlarına dönüştürerek karmaşık ilişkileri tespit edebilen Kuantum Çekirdek Uyumlu Regresör (QKAR) adında yeni bir makine öğrenmesi mimarisi geliştirdiler.
QKAR modeli, eğitim verilerine dahil edilmeyen beş yeni örnek üzerinde test edildiğinde, derin öğrenme ve gradyan artırma yöntemleri dahil olmak üzere yedi önde gelen klasik modeli geride bıraktı. Bu başarı, kuantum makine öğrenmesinin çip üretimindeki zorlu modelleme görevlerinde geleneksel yöntemlere göre önemli bir üstünlük sağlayabileceğini göstermiştir.
Özellikle QKAR, gerçek dünya donanımlarıyla uyumlu olacak şekilde tasarlandığı için, kuantum makinelerinin daha güvenilir hale gelmesiyle birlikte kullanım potansiyeli taşıyor. Araştırmacılar, bu bulguların, yarı iletken alanındaki yüksek boyutlu, küçük örneklem regresyon görevlerini etkin bir şekilde ele alma konusunda kuantum makine öğrenmesinin potansiyelini ortaya koyduğunu belirtiyorlar ve bu yöntemin, kuantum donanımının gelişmesiyle birlikte yakın gelecekte gerçek dünya çip üretiminde kullanılabileceğini öngörüyorlar.
