Esta nueva tecnología promete un futuro brillante para la industria de fabricación de chips (Foto: Getty).
La IA ayuda a simplificar el proceso de diseño y fabricación de chips
Investigadores en Australia han sido pioneros en una técnica de aprendizaje automático cuántico (QML) que combina inteligencia artificial (IA) y computación cuántica, con el objetivo de simplificar el diseño y la fabricación de chips complejos, el corazón de casi todos los dispositivos electrónicos modernos.
Este trabajo demuestra cómo los algoritmos QML pueden mejorar significativamente el modelado de la resistencia interna del chip, un factor clave que afecta el rendimiento del chip.
A diferencia de las computadoras clásicas, que utilizan bits de 0 o 1, las computadoras cuánticas utilizan cúbits. Gracias a principios como la superposición y el entrelazamiento, los cúbits pueden existir en múltiples estados simultáneamente, lo que les permite procesar relaciones matemáticas complejas mucho más rápido que los sistemas clásicos.
QML codifica datos clásicos en un estado cuántico, lo que permite a una computadora cuántica descubrir patrones en los datos que son difíciles de detectar para un sistema clásico. Un sistema clásico se encarga entonces de interpretar o aplicar estos resultados.
Dificultades en la fabricación de chips y soluciones cuánticas
La fabricación de semiconductores es un proceso complejo y de ingeniería de precisión que consta de varios pasos: apilamiento y conformación de cientos de capas microscópicas sobre una oblea de silicio, deposición de material, recubrimiento fotorresistente, litografía, grabado e implantación de iones. Finalmente, el chip se empaqueta para su integración en un dispositivo.
En este estudio, los científicos se centraron en modelar la resistencia óhmica de contacto, un reto particularmente complejo en la fabricación de chips. Esta mide la facilidad con la que fluye la corriente entre las capas metálicas y semiconductoras de un chip; cuanto menor sea el valor, más rápido y eficiente será el rendimiento.
Modelar con precisión esta resistencia es importante, pero difícil con los algoritmos de aprendizaje automático clásicos, especialmente cuando se trabaja con conjuntos de datos pequeños, ruidosos y no lineales que se encuentran comúnmente en los experimentos con semiconductores.
Aquí es donde entra en juego el aprendizaje automático cuántico.
Utilizando datos de 159 prototipos de transistores de nitruro de galio (GaN HEMT), conocidos por su velocidad y eficiencia en la electrónica 5G, el equipo desarrolló una nueva arquitectura de aprendizaje automático llamada Regresor alineado con el núcleo cuántico (QKAR).
QKAR convierte datos clásicos en estados cuánticos, lo que permite al sistema cuántico determinar relaciones complejas. Un algoritmo clásico aprende de esa comprensión para crear un modelo predictivo que guía el proceso de fabricación del chip.
Al probarse con cinco nuevos modelos, QKAR superó a siete modelos clásicos líderes, incluyendo métodos de aprendizaje profundo y de potenciación de gradiente. Aunque no se revelaron las métricas específicas, QKAR logró resultados significativamente mejores que los modelos tradicionales (0,338 ohmios por milímetro).
Es importante destacar que QKAR está diseñado para ser compatible con el hardware cuántico del mundo real, lo que facilita su implementación en la fabricación de chips a medida que la tecnología cuántica continúa avanzando. Los científicos creen que este enfoque puede gestionar eficazmente los efectos multidimensionales en los semiconductores, lo que promete un futuro prometedor para la industria de los chips.
Fuente: https://dantri.com.vn/khoa-hoc/lan-dau-tien-su-dung-cong-nghe-luong-tu-de-tao-ra-chat-ban-dan-20250730020740216.htm
Kommentar (0)