La fabricación de semiconductores, debido a su extrema precisión y cientos de procesos complejos, ha sido considerada durante mucho tiempo un gran desafío en el campo de la ingeniería moderna. Los investigadores de la Organización de Investigación Científica e Industrial de la Commonwealth de Australia (CSIRO) han aplicado por primera vez la tecnología de aprendizaje automático cuántico (QML) en la fabricación de semiconductores, y los resultados relacionados se publicaron en la revista Advanced Science. Esta investigación innovadora abre un nuevo camino para la fabricación de chips al mejorar el modelado de la resistencia de contacto óhmico.

El equipo de investigación se centró en un enlace clave en el diseño de semiconductores: la simulación de la resistencia de contacto óhmico. Esta resistencia refleja la eficiencia de conducción de corriente en el contacto entre semiconductores y metales, pero los modelos tradicionales dependen de algoritmos de aprendizaje automático clásico (CML), que tienen limitaciones como la necesidad de grandes conjuntos de datos y un rendimiento que disminuye en escenarios de muestras pequeñas. El equipo del profesor Muhammad Usman, responsable de los sistemas cuánticos de CSIRO, tomó un enfoque innovador y adoptó métodos de aprendizaje automático cuántico para analizar 159 muestras experimentales de transistores de alta movilidad electrónica de nitruro de galio (GaN HEMT). El equipo primero seleccionó las variables principales que afectan significativamente el rendimiento y luego desarrolló la arquitectura de regresor de alineación de núcleo cuántico (QKAR), codificando datos clásicos en estados cuánticos para iniciar el proceso de aprendizaje automático. Después de la extracción de características, los algoritmos clásicos recuperan la información y entrenan el modelo, logrando finalmente la optimización del proceso de fabricación.

Los experimentos muestran que la tecnología QKAR supera significativamente a siete algoritmos tradicionales de CML en tareas de regresión de muestras pequeñas de alta dimensión. Los investigadores señalaron: "Este resultado verifica el potencial del aprendizaje automático cuántico en el campo de los semiconductores; con la madurez del hardware cuántico, sus perspectivas de aplicación práctica son amplias". Esta tecnología no solo promete reducir los costos de fabricación y mejorar el rendimiento de los dispositivos, sino que también podría impulsar el uso de la computación cuántica para resolver problemas complejos que las computadoras tradicionales no pueden manejar, trayendo un cambio profundo a la industria de los semiconductores.