Onderzoekers hebben een uniform raamwerk ontwikkeld dat gebruikmaakt van quantum machine learning om de prestaties van complexe halfgeleidende componenten nauwkeuriger te voorspellen, zelfs bij een beperkte hoeveelheid beschikbare data.
In een recent gepubliceerd wetenschappelijk document op arxiv.org beschrijft een team van onderzoekers, waaronder Rushat Rai en Tian-Li Wu, een nieuwe methode om compacte geparametriseerde quantumcircuits (PQCs) te ontdekken. Dit raamwerk is specifiek ontworpen voor apparaatmodellering in situaties waar data schaars is, een veelvoorkomend probleem bij de ontwikkeling van geavanceerde elektronische componenten.
Innovatieve aanpak met Reinforcement Learning
De kern van het nieuwe systeem is een unified reinforcement-learning (RL) raamwerk. Om de optimale architectuur van de quantumcircuits te vinden, maakt het systeem gebruik van een graph neural network (GNN) beleid. Dit beleid wordt geoptimaliseerd via een techniek genaamd proximal policy optimization (PPO).
Om de nauwkeurigheid te waarborgen, hanteert het raamwerk een specifieke validatiemethode: leave-one-group-out cross-validation (LOGOCV). De foutmarges op niet-gebruikte proces- of geometriegroepen dienen hierbij als de 'beloning' voor het RL-algoritme, waardoor het systeem leert om circuits te bouwen die beter generaliseren naar onbekende scenario's.
Toepassing op GaN HEMTs en Nanowire FETs
Het raamwerk is getest op twee verschillende typen halfgeleidende apparaten: Power GaN HEMTs (Galliumnitride High Electron Mobility Transistors) en Logic Nanowire FETs (Field-Effect Transistors). Volgens de presteerde het model superieur aan zes klassieke baselines voor alle elf geteste doelvariabelen.
De resultaten tonen een significante verbetering in precisie:
* Voor HEMTs: Er werd een 59% lagere foutmarge bereikt voor de lekstroom (Ioff) en een 81% nauwere variabiliteit voor de drempelspanning (VTH).
* Voor NWFETs: De foutmarge voor de drempelspanning, subthreshold swing (SS) en lekstroom daalde met 84%, terwijl de variabiliteit voor de lekstroom met 82% afnam.
Opvallend is dat deze resultaten zijn behaald zonder dat er expliciete fysieke beperkingen, straftermen of apparaatspecifieke vergelijkingen in het model zijn ingebouwd. Desondanks vertonen de klassiek gesimuleerde PQCs een verbeterde fysieke consistentie en een lagere foutmarge bij data die buiten de trainingsset valt (out-of-distribution error).
Context van Quantumfysica en Technologie
De integratie van quantumprincipes in machine learning bouwt voort op fundamentele concepten uit de quantumfysica. Hoewel de huidige studie zich richt op de simulatie van quantumcircuits, vormen basisprincipes uit de quantumfysica de theoretische basis voor hoe dergelijke systemen informatie verwerken. De verschuiving naar quantum-geïnspireerde modellen stelt ingenieurs in staat om complexere patronen in halfgeleiderdata te herkennen die met traditionele methoden vaak over het hoofd worden gezien.
Terwijl platforms zoals phys.org en britannica.com breed inzicht bieden in de evolutie van natuurkunde en technologie, markeert dit specifieke onderzoek een praktische stap richting het gebruik van quantum machine learning voor industriële toepassingen in de chipsector. De mogelijkheid om met minder data toch nauwkeurige voorspellingen te doen over procesvariaties kan de ontwikkeltijd van nieuwe generaties transistors aanzienlijk verkorten.