حقق الباحثون في أستراليا CSIRO عرضًا عالميًا للتعلم الآلي الكمومي في تصنيع أشباه الموصلات. تفوق النموذج المحسن الكمومي على أساليب الذكاء الاصطناعي التقليدي ويمكن أن يعيد تشكيل كيفية تصميم الرقائق الدقيقة. ركز الفريق على نمذجة تمارين حاسمة – ولكن يصعب التنبؤ بها – تسمى مقاومة “التلامس الأمي” ، والتي تقيس مدى سهولة التدفقات الحالية حيث يلتقي المعدن بأشباه الموصلات.
قاموا بتحليل 159 عينة تجريبية من الترانزستورات المتقدمة للنيتريد (GAN) (المعروفة بأداء الطاقة العالية/عالية التردد). من خلال الجمع بين طبقة المعالجة الكمومية مع خطوة الانحدار الكلاسيكي النهائي ، استخرج النموذج الأنماط الدقيقة التي فاتتها الأساليب التقليدية.
معالجة مشكلة التصميم الصعبة
وفقا ل يذاكر، قام الباحثون CSIRO أولاً بتشفير العديد من متغيرات التصنيع (مثل مخاليط الغاز وأوقات الصلب) لكل جهاز وأستخدم تحليل المكون الرئيسي (PCA) لتقليص 37 معلمات وصولاً إلى الخمسة الأكثر أهمية. يشرح البروفيسور محمد عثمان – الذي قاد الدراسة – أنهم فعلوا ذلك لأن “أجهزة الكمبيوتر الكمومية التي لدينا حاليًا قدرات محدودة للغاية”.
على النقيض من ذلك ، يمكن أن يناضل التعلم الآلي الكلاسيكي عندما تكون البيانات نادرة أو العلاقات غير الخطية. من خلال التركيز على هذه المتغيرات الرئيسية ، جعل الفريق المشكلة قابلة للإدارة لصالح اليوم الكم الأجهزة.
نهج kernel الكم
لنمذجة البيانات ، قام الفريق ببناء بنية التراجع الكمومية المحاذاة kernel (QKAR). تم تعيين المعلمات الرئيسية الخمسة لكل عينة في حالة كمية من خمسة ملواة (باستخدام خريطة ميزة Pauli-Z) ، مما يتيح طبقة kernel الكم لالتقاط الارتباطات المعقدة.
ثم تم تغذية إخراج هذه الطبقة الكمومية في خوارزمية تعليمية قياسية حددت المعلمات التصنيع الأكثر أهمية. كما يقول Usman ، فإن هذا النموذج المدمج بين النموذج الكمي والكلاسيكي الذي يربط خطوات التصنيع لضبط أداء الجهاز الأمثل.
في الاختبارات ، فاز نموذج QKAR على سبع خوارزميات كلاسيكية أعلى في نفس المهمة. لقد تطلب الأمر خمسة مباريات فقط ، مما يجعلها ممكنة على آلات الكم اليوم. يلاحظ الدكتور Zeheng Wang من CSIRO أن طريقة الكم التي وجدت أنماط النماذج الكلاسيكية قد تفوت في مشاكل البيانات الصغيرة عالية الأبعاد.
للتحقق من صحة النهج ، قام الفريق بتصنيع أجهزة GAN الجديدة باستخدام إرشادات النموذج ؛ أظهرت هذه الرقائق تحسين الأداء. وأكد ذلك أن التصميم بمساعدة الكم معممة يتجاوز بيانات التدريب.
