Los ingenieros de la agencia científica nacional de Australia, CSIRO, han realizado el primer uso mundial del machine learning cuántico para fabricar semiconductores. Esta investigación podría transformar completamente la forma en que se diseñan los microchips del futuro.
Un avance que marca un antes y después
El profesor Muhammad Usman, director de investigación en sistemas cuánticos de CSIRO’s Data61, había explicado previamente que el machine learning cuántico (QML) tiene el potencial de superar significativamente a los algoritmos de machine learning clásico (CML).
Esta teoría ha sido puesta a prueba exitosamente en la nueva investigación publicada en la revista Advanced Science. El estudio es el primero en demostrar que un método cuántico puede aplicarse a datos experimentales reales en la fabricación de semiconductores para mejorar el proceso.
El desafío técnico más complejo
El equipo se centró especialmente en modelar la resistencia de contacto óhmico del material semiconductor. Esta propiedad mide la resistencia eléctrica donde el semiconductor entra en contacto con un metal y la corriente fluye fácilmente entre los materiales en ambas direcciones.
Modelar la resistencia de contacto óhmico es crítico para el diseño y fabricación de semiconductores, pero también es una propiedad notoriamente difícil de modelar.
La prueba definitiva
Los investigadores probaron su modelo QML en datos de 159 muestras experimentales de semiconductores GaN HEMT (transistores de alta movilidad electrónica de nitruro de galio). Los GaN HEMT ofrecen un rendimiento superior comparado con los transistores basados en silicio más comunes.
El proceso revolucionario paso a paso
«Una vez que obtenemos los conjuntos de datos de fabricación de semiconductores, hacemos mucho preprocesamiento. Este preprocesamiento es un paso clásico. Tomamos diferentes parámetros que influyen en la fabricación y hacemos una especie de ‘codificación caliente’ que básicamente solo dice si un parámetro particular está activado o no», explica Usman, autor principal del nuevo estudio.
«Son 1s y 0s que simplemente indican si, por ejemplo, el gas particular estaba encendido o no, tiempo de recocido, si estaba dopado o no», añade.
Una vez completada la codificación caliente, el equipo tenía una lista de 37 parámetros para cada experimento. Un análisis clásico adicional, llamado análisis de componentes principales, redujo los parámetros a solo 5.
La magia cuántica en acción
«Las computadoras cuánticas que tenemos actualmente tienen capacidades muy limitadas. Así que queríamos simplificarlo. Queríamos asegurarnos de poder reducir la dimensionalidad del problema de manera inteligente, para que realmente pudiéramos hacerlo dentro de las capacidades de los procesos cuánticos actuales», dice Usman.
La arquitectura innovadora QKAR
El equipo desarrolló una arquitectura innovadora llamada Quantum Kernel-Aligned Regressor (QKAR). Su configuración QKAR incluía un mapa de características cuánticas Pauli-Z, un operador matemático que puede traducir datos clásicos en estados cuánticos en forma de 5 bits cuánticos, o qubits.
Una vez que los datos se mapean a los qubits, se utiliza una capa de alineación de kernel cuántico para realizar el machine learning.
Resultados que superan todas las expectativas
Usman explica que los cálculos del kernel cuántico extraen las características importantes de los conjuntos de datos de fabricación:
«Ahí es donde ocurre toda la magia cuántica, porque estos kernels están altamente entrelazados. Cuando procesan el conjunto de datos, acceden a información que no estaría disponible de otra manera desde los kernels clásicos que la gente ha usado en el pasado.»
La técnica QKAR superó a 7 algoritmos CML también entrenados en el mismo problema.
Aplicación inmediata en el mundo real
Lo más impresionante es que, debido a que solo se necesitan 5 qubits, el método es inmediatamente aplicable a las arquitecturas cuánticas actuales.
«Esta es una técnica muy amigable. Normalmente cuando la gente habla de algoritmos cuánticos, requieren decenas de qubits que no están disponibles. Pero este método que hemos desarrollado combinando clásico y cuántico puede implementarse inmediatamente, o en el futuro cercano, y obtener beneficios», destaca Usman.
Validación experimental exitosa
«La industria de semiconductores está cada vez más limitada por la escasez de datos y el aumento de la complejidad de procesos», dice el autor principal, Dr. Zeheng Wang.
«Nuestros resultados muestran que los modelos cuánticos, cuando se diseñan cuidadosamente, pueden capturar patrones que los modelos clásicos pueden pasar por alto, especialmente en regímenes de alta dimensionalidad y pocos datos. Validamos el modelo fabricando nuevos dispositivos GaN, que mostraron rendimiento optimizado.»
Robustez ante el ruido cuántico
«Uno de los mayores desafíos en el machine learning cuántico es hacerlo práctico», dice el coautor Dr. Tim van der Laan. «Al introducir una capa de alineación de kernel aprendible en un circuito cuántico superficial, hemos demostrado que las mejoras de rendimiento útiles son alcanzables incluso con hardware de qubits limitado.»
«El modelo también mostró robustez bajo niveles realistas de ruido cuántico, lo cual es esencial para la futura implementación en dispositivos NISQ (Noisy intermediate-scale quantum) reales.»
El futuro que se avecina
Usman revela que el modelo QKAR puede adaptarse para otros materiales más allá de esta prueba inicial de concepto en GaN:
«Es un ejemplo donde lo cuántico está básicamente mostrando claramente que puede extraer características que no están disponibles de otra manera desde lo clásico. Este es el primer estudio que hemos publicado, y hemos demostrado que funciona.»
Próximos pasos revolucionarios
«Ahora vamos a trabajar con otros científicos de desarrollo de materiales y mirar nuevos sistemas de materiales. También estaremos viendo otros materiales semiconductores, como procesos de fabricación de silicio», concluye el investigador.
«Ese es nuestro próximo paso: mirar otros conjuntos de datos, ver cuál es el alcance de la aplicabilidad de este método y verificarlo para una gama de diferentes muestras experimentales.»
Este avance marca el comienzo de una nueva era donde la inteligencia artificial cuántica no solo es teóricamente superior, sino que puede aplicarse prácticamente para resolver problemas reales en la fabricación de semiconductores, sentando las bases para los microchips del futuro.
