Квантовое машинное обучение улучшило производство полупроводников

В своем исследовании, опубликованном в журнале Advanced Science, команда показала, что квантовые технологии могут помочь в моделировании ключевого параметра — омического контактного сопротивления. Этот показатель отражает электрическое сопротивление на границе между металлом и полупроводником и влияет на то, насколько легко ток проходит через устройство.

Традиционные методы машинного обучения, основанные на классических алгоритмах, требуют больших объемов данных и плохо справляются с малыми, сложными выборками. В отличие от них, ученые использовали гибридный подход — квантовое машинное обучение, которое объединяет классические и квантовые методы.

Они проанализировали 159 экспериментальных образцов транзисторов на основе нитрида галлия (GaN HEMT), сократили число переменных до самых значимых и разработали специальную квантовую модель QKAR. Она переводит классические данные в квантовые состояния для последующего обучения. После обработки информация возвращается в классический алгоритм, который помогает оптимизировать производство.

Результаты показали, что квантовый метод превзошел семь других классических алгоритмов, применяемых для той же задачи.