Rewolucja w elektronice. Powstał chip zaprojektowany technologią kwantową

Nie USA, nie Chiny, ale Australia dokonała przełomu, który może zmienić cały przemysł elektroniczny. Mikroprocesor przyszłości już działa i daje lepsze wyniki niż klasyczne układy scalone.

Publikacja: 02.07.2025 19:28

Australijscy uczeni wdrożyli kwantowe uczenie maszynowe do wytwarzania półprzewodników przyszłości

Foto: Adobe Stock

Piotr Mazurkiewicz

Naukowcy z Commonwealth Science and Industrial Research Organization (CSIRO), australijskiej krajowej agencji badawczej, wdrożyli kwantowe uczenie maszynowe do wytwarzania półprzewodników przyszłości. Naukowcy twierdzą, że przewyższyło klasyczne obliczenia AI obecnie stosowane w projektowaniu i wytwarzaniu półprzewodników i może zmienić sposób ich projektowania.

Kwantowe uczenie maszynowe przewyższa obliczenia AI

Projektowanie półprzewodników to dziedzina, w której eksperci z takich dziedzin jak elektrotechnika, materiałoznawstwo i informatyka spotykają się, aby budować układy scalone zasilające nowoczesne urządzenia elektroniczne. Wymaga to wiedzy specjalistycznej z różnych dziedzin, a następnie przeprowadzane są rygorystyczne testy, by ustalić, czy urządzenie może spełnić kryteria wydajności.

W dobie obliczeń o wysokiej wydajności i z użyciem sztucznej inteligencji (AI) projektowanie półprzewodników jest również ulepszane za pomocą tego narzędzia. Klasyczne uczenie maszynowe (CML) zostało już wcześniej wdrożone w tych obszarach.

Czytaj więcej

Superkomputer i AI sprawdziły, jak stopione sole zachowują się w ekstremalnych temperaturach wewnątr

Technologie

AI i kwanty łamią tajemnice reaktorów jądrowych. Przełom z USA

Amerykański superkomputer przeliczył bardzo szybko dane odnośnie zachowania reaktora jądrowego z...

Jednak jego wydajność pogarsza się w scenariuszach nieliniowych na małej próbie. Dlatego naukowcy z CSIRO chcieli zbadać, czy zamiast tego można użyć kwantowego uczenia maszynowego (QML).

Zespół badawczy pod przewodnictwem Muhammada Usmana, profesora i kierownika systemów kwantowych w CSIRO, skupił się na modelowaniu rezystancji styku omowego materiału półprzewodnikowego. Jest to miara rezystancji elektrycznej, w której półprzewodnik styka się z metalem, a prąd może płynąć swobodnie.

Lepsza wydajność chipów

Chociaż ma to kluczowe znaczenie w projektowaniu półprzewodników, jest to również najtrudniejsze do modelowania. Zespół badawczy wykorzystał swoje podejście do uczenia maszynowego kwantowego na danych z 159 próbek eksperymentalnych GaN HEMT (tranzystora o wysokiej ruchliwości elektronów z azotku galu). Te półprzewodniki oferują lepsze parametry wydajnościowe niż półprzewodniki na bazie krzemu.

Naukowcy najpierw użyli szerokiego zakresu parametrów, ale następnie zawęzili je, aby określić, które czynniki wpływają na proces produkcji. Początkowo lista została zredukowana do 37 parametrów dla każdego eksperymentu, a następnie do pięciu dla analizy głównych składników.

Czytaj więcej

Diamenty są kluczem do dalszego rozwoju komputerów kwantowych

Technologie

Przełom w komputerach kwantowych. Holendrzy znaleźli sposób na błędy

Naukowcy z niderlandzkiego QuTech stworzyli niezwykle precyzyjne bramki kwantowe. W odróżnieniu o...

– Komputery kwantowe, które obecnie posiadamy, mają bardzo ograniczone możliwości — wyjaśnił portalowi Cosmos dr Muhammad Usman. – Dlatego chcieliśmy to uprościć. Chcieliśmy się upewnić, że możemy inteligentnie zmniejszyć wymiarowość problemu i zrobić to w ramach możliwości obecnych procesów kwantowych – dodał.

Jak opracowano nowy chip?

Naukowcy opracowali architekturę Quantum Kernel-Aligned Regresor (QKAR) do pracy nad komponentem kwantowym. QKAR konwertuje klasyczne dane na dane kwantowe w pięciu kubitach.

To mapowanie na kubity jest kluczowe dla rozpoczęcia procesu uczenia maszynowego, który odbywa się poprzez warstwę dopasowania jądra kwantowego. Ta warstwa wyodrębnia ważne cechy z zestawów danych, a następnie klasyczny algorytm jest używany do pobierania informacji.

– Ta klasyczna technika uczenia maszynowego przyjmuje wynik, który wyodrębniła metoda kwantowa, a następnie jest trenowana, aby poprowadzić z powrotem do produkcji — dodał Usman. – Może nam powiedzieć o ważnych parametrach w procesie produkcji, które odgrywają kluczową rolę i co należy zmienić lub dostroić, aby zoptymalizować produkcję – wyjaśnia.

Podejście QKAR przewyższyło siedem różnych algorytmów CML opracowanych do pracy nad tym problemem. Co ważniejsze, ponieważ metoda wymaga tylko pięciu kubitów, można ją wdrożyć, aby natychmiast rozwiązać problemy branży produkcyjnej. – Nasze wyniki pokazują, że modele kwantowe, gdy są starannie zaprojektowane, mogą uchwycić wzorce, których klasyczne modele mogą nie zauważyć, szczególnie w wielowymiarowych reżimach małych danych – powiedział biorący udział w pracach Zeheng Wang, badacz kwantowy w CSIRO, cytowany przez Interesting Engineering.