量子机器学习在半导体芯片设计中大放异彩

据报道，澳大利亚研究人员及其合作伙伴在实验数据上验证了一种用于半导体制造的量子机器学习模型，这堪称世界首创，有望重塑未来芯片的设计方式。澳大利亚国家研究机构CSIRO的研究人员报告称：“我们已证明，量子机器学习在欧姆接触电阻建模方面的表现优于传统人工智能——这是现代半导体器件制造中一个关键但难以建模的工艺步骤。 ”

量子计算最早的用途之一是协助设计量子器件本身以及运行在量子计算机上的电路。现在，澳大利亚研究团队又将半导体芯片设计添加到了量子计算的领域中。他们的研究成果于本月发表在《先进科学》（Advance Science）杂志上，题为《半导体制造中小数据集建模的量子核学习：欧姆接触应用》。

由于高维参数空间和有限的实验数据，对欧姆接触形成等复杂半导体制造工艺进行建模仍然具有挑战性。虽然经典机器学习 (CML) 方法已在许多领域取得成功，但在小样本、非线性场景下，其性能会下降。本研究将量子机器学习 (QML) 作为替代方案进行研究，利用量子核从紧凑数据集中捕捉复杂的关联性。

仅使用159个GaN HEMT实验样本，开发了一个量子核对齐回归器（QKAR），该回归器结合了浅Pauli-Z特征图和可训练量子核对齐（QKA）层。所有模型（包括七个基线CML回归器）均在统一的基于PCA的预处理流程下进行评估，以确保公平比较。QKAR在多个指标（MAE、MSE、RMSE）上始终优于经典基线模型，经实验数据验证，其平均绝对误差为0.338 Ω·mm。此外，我们还通过交叉验证和新器件制造进一步评估了其抗噪性和泛化能力。

CSIRO 量子研究员、论文第一作者 Zeheng Wang 指出：“半导体行业日益受到数据稀缺和工艺复杂性不断提升的制约。我们的结果表明，经过精心设计的量子模型能够捕捉到经典模型可能遗漏的模式，尤其是在高维、小数据环境下。我们通过制造新的 GaN 器件验证了该模型，这些器件表现出了优化的性能；此外，通过量子核谱分析，我们证实了 QML 能够泛化至训练数据之外。”

研究人员很好地描述了半导体设计对经典设计提出的挑战：

尽管经典机器学习 (CML) 方法已被广泛探索用于增强制造工艺建模，但这些局限性对 CML 模型构成了重大挑战，因为 CML 模型依赖于海量数据集才能有效泛化，并且难以捕捉半导体工艺中固有的复杂非线性关系。虽然 CML 已广泛应用于器件表征和制造建模，但其在应用于小型高维数据集时性能仍然有限，常常导致过度拟合，并且对未知数据的泛化能力较差。

此外，半导体制造工艺参数（例如退火温度、时间和大气条件）之间存在复杂的非线性关系，这进一步增加了使用传统机器学习技术进行建模的难度。应对这些挑战需要一种不同的计算范式，能够有效地捕捉高维相关性，同时在数据稀缺的环境中保持稳健性。我们在此探索量子计算 (QC) 算法，以应对半导体制造中的这两个挑战。

量子计算（QC），尤其是量子机器学习（QML），最近已成为一种颇具前景的方法，可用于解决那些难以通过常规机器学习（CML）方法解决的计算问题。“QML 可以利用量子核，这些核可以自然地捕捉复杂的特征交互，并为小型数据集提供卓越的泛化能力。这些特性使基于核的 QML 成为半导体建模领域极具吸引力的候选方法，因为半导体建模领域数据通常稀缺，且工艺参数高度相互依赖。尽管 QML 具有理论上的优势，但在应用于半导体制造建模时，其性能尚未优于 CML。”研究人员写道。

研究人员在结论中写道：“虽然 QKAR 在特定环境下表现良好，但经典模型可以通过更广泛的超参数调优或采用其他架构来获得更好的结果。此外，尽管这项研究是在量子模拟器上进行的，但所使用的量子电路与当前的 NISQ 硬件兼容。随着量子处理器保真度和规模的提升，在实际  半导体工作流程中部署 QML 模型可能会变得越来越可行。因此，这项工作代表着将量子学习技术融入数据驱动制造建模的坚实一步。”

该研究由一个国际团队开展。来自北京大学、松山湖材料实验室和香港城市大学的研究人员提供了制造数据集， CSIRO 使用这些数据来训练 QML 模型。