أول استخدام لتكنولوجيا الكم لإنشاء أشباه الموصلات

(دان تري) - يستخدم العلماء التعلم الآلي الكمي لإنشاء أشباه الموصلات، وهو الاختراق الذي يمكن أن يغير تمامًا طريقة تصنيع الرقائق.

تبشر هذه التقنية الجديدة بمستقبل مشرق لصناعة تصنيع الرقائق (الصورة: جيتي).

يساعد الذكاء الاصطناعي في تبسيط عملية تصميم وتصنيع الرقائق

نجح باحثون في أستراليا في تطوير تقنية التعلم الآلي الكمي (QML) التي تجمع بين الذكاء الاصطناعي والحوسبة الكمومية، بهدف تبسيط تصميم وتصنيع الرقائق المعقدة - قلب كل جهاز إلكتروني حديث تقريبًا.

يوضح هذا العمل كيف يمكن لخوارزميات QML تحسين نمذجة مقاومة الشريحة الداخلية بشكل كبير، وهو عامل رئيسي يؤثر على أداء الشريحة.

بخلاف الحواسيب التقليدية، التي تستخدم بتات إما 0 أو 1، تستخدم الحواسيب الكمومية الكيوبتات. بفضل مبادئ مثل التراكب والتشابك، يمكن للبتات الكمومية أن توجد في حالات متعددة في الوقت نفسه، مما يسمح لها بمعالجة العلاقات الرياضية المعقدة أسرع بكثير من الأنظمة الكلاسيكية.

تُشفِّر لغة QML البيانات الكلاسيكية إلى حالة كمية، مما يسمح للحاسوب الكمي باكتشاف أنماط بيانات يصعب على النظام الكلاسيكي رصدها. ثم يتولى النظام الكلاسيكي تفسير هذه النتائج أو تطبيقها.

صعوبات في تصنيع الرقائق والحلول الكمومية

تصنيع أشباه الموصلات عملية معقدة ودقيقة للغاية، تتضمن عدة خطوات: تكديس وتشكيل مئات الطبقات المجهرية على رقاقة سيليكون، وترسيب المواد، وطلاء مقاوم للضوء، والطباعة الحجرية، والحفر، وزرع الأيونات. وأخيرًا، تُغلّف الشريحة لدمجها في جهاز.

في هذه الدراسة، ركز العلماء على نمذجة مقاومة التلامس الأومي، وهي تحدٍّ بالغ الصعوبة في تصنيع الرقائق. وتُستخدم هذه المقاومة لقياس مدى سهولة تدفق التيار بين طبقات المعدن وشبه الموصلات في الشريحة؛ وكلما انخفضت هذه القيمة، كان الأداء أسرع وأكثر كفاءة في استهلاك الطاقة.

إن النمذجة الدقيقة لهذه المقاومة مهمة ولكنها صعبة مع خوارزميات التعلم الآلي الكلاسيكية، وخاصة عند التعامل مع مجموعات البيانات الصغيرة والصاخبة وغير الخطية التي نواجهها عادة في تجارب أشباه الموصلات.

وهنا يأتي دور التعلم الآلي الكمومي.

وباستخدام بيانات من 159 نموذجًا أوليًا من ترانزستورات نتريد الغاليوم (GaN HEMTs)، المعروفة بسرعتها وكفاءتها في إلكترونيات 5G، قام الفريق بتطوير بنية جديدة للتعلم الآلي تسمى Quantum Kernel-Aligned Regressor (QKAR).

يُحوّل QKAR البيانات الكلاسيكية إلى حالات كمية، مما يُمكّن النظام الكمي من تحديد العلاقات المعقدة. ثم تتعلم خوارزمية كلاسيكية من هذا الفهم لإنشاء نموذج تنبؤي يُساعد في توجيه عملية تصنيع الرقاقة.

عند اختباره على خمسة نماذج جديدة، تفوق QKAR على سبعة نماذج كلاسيكية رائدة، بما في ذلك أساليب التعلم العميق والتعزيز التدرجي. ورغم عدم الإفصاح عن مقاييس محددة، حقق QKAR نتائج أفضل بكثير من النماذج التقليدية (0.338 أوم لكل مليمتر).

الأهم من ذلك، أن QKAR مصمم ليكون متوافقًا مع الأجهزة الكمومية العملية، مما يفتح الباب لتطبيقه في تصنيع الرقائق الفعلية مع استمرار تطور تكنولوجيا الكم. يعتقد العلماء أن هذه الطريقة قادرة على معالجة التأثيرات متعددة الأبعاد بفعالية في مجال أشباه الموصلات، مما يبشر بمستقبل باهر لصناعة الرقائق.

المصدر: https://dantri.com.vn/khoa-hoc/lan-dau-tien-su-dung-cong-nghe-luong-tu-de-tao-ra-chat-ban-dan-20250730020740216.htm