সেমিকন্ডাক্টর তৈরিতে কোয়ান্টাম প্রযুক্তির প্রথম ব্যবহার

(ড্যান ট্রাই) - বিজ্ঞানীরা কোয়ান্টাম মেশিন লার্নিং ব্যবহার করে সেমিকন্ডাক্টর তৈরি করছেন, এটি একটি যুগান্তকারী আবিষ্কার যা চিপ তৈরির পদ্ধতি সম্পূর্ণরূপে বদলে দিতে পারে।

এই নতুন প্রযুক্তি চিপ উৎপাদন শিল্পের জন্য একটি উজ্জ্বল ভবিষ্যতের প্রতিশ্রুতি দেয় (ছবি: গেটি)।

AI চিপ ডিজাইন এবং উৎপাদন প্রক্রিয়া সহজ করতে সাহায্য করে

অস্ট্রেলিয়ার গবেষকরা একটি কোয়ান্টাম মেশিন লার্নিং (QML) কৌশল আবিষ্কার করেছেন যা কৃত্রিম বুদ্ধিমত্তা (AI) এবং কোয়ান্টাম কম্পিউটিংকে একত্রিত করে, যার লক্ষ্য জটিল চিপগুলির নকশা এবং উৎপাদন সহজ করা - যা প্রায় প্রতিটি আধুনিক ইলেকট্রনিক ডিভাইসের হৃদয়।

এই কাজটি দেখায় যে কীভাবে QML অ্যালগরিদমগুলি অভ্যন্তরীণ চিপ প্রতিরোধের মডেলিংকে উল্লেখযোগ্যভাবে উন্নত করতে পারে, যা চিপের কর্মক্ষমতাকে প্রভাবিত করে এমন একটি মূল কারণ।

ক্লাসিক্যাল কম্পিউটারের বিপরীতে, যেখানে ০ অথবা ১ বিট ব্যবহার করা হয়, কোয়ান্টাম কম্পিউটার কিউবিট ব্যবহার করে। সুপারপজিশন এবং এনট্যাঙ্গেলমেন্টের মতো নীতির জন্য ধন্যবাদ, কিউবিট একই সময়ে একাধিক অবস্থায় থাকতে পারে, যা তাদেরকে ক্লাসিক্যাল সিস্টেমের তুলনায় জটিল গাণিতিক সম্পর্কগুলি অনেক দ্রুত প্রক্রিয়া করতে দেয়।

QML ক্লাসিক্যাল ডেটাকে কোয়ান্টাম অবস্থায় এনকোড করে, যার ফলে একটি কোয়ান্টাম কম্পিউটার ডেটাতে এমন প্যাটার্ন আবিষ্কার করতে পারে যা ক্লাসিক্যাল সিস্টেমের জন্য সনাক্ত করা কঠিন। এরপর একটি ক্লাসিক্যাল সিস্টেম এই ফলাফলগুলি ব্যাখ্যা বা প্রয়োগ করার দায়িত্ব নেয়।

চিপ উৎপাদন এবং কোয়ান্টাম সমাধানের ক্ষেত্রে অসুবিধা

সেমিকন্ডাক্টর উৎপাদন একটি জটিল, নির্ভুল-প্রকৌশলী প্রক্রিয়া যার মধ্যে বেশ কয়েকটি ধাপ জড়িত: একটি সিলিকন ওয়েফারের উপর শত শত মাইক্রোস্কোপিক স্তর স্থাপন এবং আকার দেওয়া, উপাদান জমা করা, ফটোরেজিস্ট আবরণ, লিথোগ্রাফি, এচিং এবং আয়ন ইমপ্লান্টেশন। অবশেষে, চিপটিকে একটি ডিভাইসে একীভূত করার জন্য প্যাকেজ করা হয়।

এই গবেষণায়, বিজ্ঞানীরা ওহমিক যোগাযোগ প্রতিরোধের মডেলিংয়ের উপর মনোনিবেশ করেছেন - চিপ তৈরিতে একটি বিশেষ কঠিন চ্যালেঞ্জ। এটি একটি পরিমাপ যা একটি চিপের ধাতু এবং অর্ধপরিবাহী স্তরের মধ্যে কত সহজে কারেন্ট প্রবাহিত হয়; মান যত কম হবে, কর্মক্ষমতা তত দ্রুত এবং আরও শক্তি-দক্ষ হবে।

এই প্রতিরোধের সঠিকভাবে মডেলিং করা গুরুত্বপূর্ণ কিন্তু ক্লাসিক্যাল মেশিন লার্নিং অ্যালগরিদমের ক্ষেত্রে কঠিন, বিশেষ করে যখন সেমিকন্ডাক্টর পরীক্ষায় সাধারণত দেখা যায় এমন ছোট, কোলাহলপূর্ণ এবং অরৈখিক ডেটা সেট নিয়ে কাজ করা হয়।

এখানেই কোয়ান্টাম মেশিন লার্নিং আসে।

5G ইলেকট্রনিক্সে গতি এবং দক্ষতার জন্য পরিচিত 159টি প্রোটোটাইপ গ্যালিয়াম নাইট্রাইড ট্রানজিস্টর (GaN HEMTs) থেকে তথ্য ব্যবহার করে, দলটি কোয়ান্টাম কার্নেল-অ্যালাইনড রিগ্রেসার (QKAR) নামে একটি নতুন মেশিন লার্নিং আর্কিটেকচার তৈরি করেছে।

QKAR ক্লাসিক্যাল ডেটাকে কোয়ান্টাম অবস্থায় রূপান্তর করে, যা কোয়ান্টাম সিস্টেমকে জটিল সম্পর্ক নির্ধারণ করতে দেয়। একটি ক্লাসিক্যাল অ্যালগরিদম তখন সেই বোধগম্যতা থেকে একটি ভবিষ্যদ্বাণীমূলক মডেল তৈরি করতে শেখে যা চিপ তৈরির প্রক্রিয়া পরিচালনা করে।

পাঁচটি নতুন মডেলের উপর পরীক্ষা করা হলে, QKAR সাতটি শীর্ষস্থানীয় ধ্রুপদী মডেলকে ছাড়িয়ে গেছে, যার মধ্যে রয়েছে গভীর শিক্ষা এবং গ্রেডিয়েন্ট বুস্টিং পদ্ধতি। যদিও নির্দিষ্ট মেট্রিক্স প্রকাশ করা হয়নি, QKAR ঐতিহ্যবাহী মডেলের তুলনায় উল্লেখযোগ্যভাবে ভালো ফলাফল অর্জন করেছে (প্রতি মিলিমিটারে 0.338 ওহম)।

গুরুত্বপূর্ণভাবে, QKAR বাস্তব-বিশ্বের কোয়ান্টাম হার্ডওয়্যারের সাথে সামঞ্জস্যপূর্ণ হওয়ার জন্য ডিজাইন করা হয়েছে, যা কোয়ান্টাম প্রযুক্তির অগ্রগতির সাথে সাথে বাস্তব-বিশ্বের চিপ উৎপাদনে এর বাস্তবায়নের দ্বার উন্মুক্ত করে। বিজ্ঞানীরা বিশ্বাস করেন যে এই পদ্ধতিটি সেমিকন্ডাক্টরগুলিতে বহুমাত্রিক প্রভাব কার্যকরভাবে পরিচালনা করতে পারে, যা চিপ শিল্পের জন্য একটি উজ্জ্বল ভবিষ্যতের প্রতিশ্রুতি দেয়।

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