#第三代半導體
量子PC開始開發第三代半導體了
01. 晶片製程難以求解怎麼用都不發燙的手機、續航力超1000km的電車……說不定有一天在量子的幫助下,這些「不可能」都會成真。最近澳洲國家級研究機構CSIRO與北京大學、香港城市大學等合作,首次展示了量子機器學習在半導體製造中的應用,並且證明量子機器學習要明顯優於傳統AI學習方式。在半導體新材料研發初期,資料極少、製程又複雜,尤其是在開發第三代半導體「氮化鎵(GaN)」晶片的時候。根據論文,研究者是想利用量子機器學習來解決「歐姆接觸建模」的難題。所謂歐姆接觸,指的是金屬與半導體接觸時,接觸面的電阻很小,電流電壓關係呈線性,不產生明顯的附加阻抗。CSIRO與北京大學、香港城市大學等合作的量子機器學習項目也可以理解為,金屬和半導體「握手」時最好沒有電阻。傳統的方式是利用高溫退火強行“破壁”,讓金屬原子滲透進半導體材料。但這就好比用焊槍銲接玻璃藝術品,溫度低了銲接不牢固,溫度高了又會燒穿。一般來說,半導體和金屬天生存在能量壁壘,如果不突破這個壁壘,電流就會像堵在早高峰路口,晶片性能大打折扣;如果控制不好,又會導致訊號失真。其實我們也能感覺到歐姆接觸不良的影響,例如手機處理器背後的金屬接點如果歐姆接觸不良,就會導致手機在充電時發熱。但決定歐姆接觸建模的變數特別多:金屬要用幾層、厚度幾奈米、退火溫度在830攝氏度還是870攝氏度等等,排列組合起來,新材料的製程方式有無數種。如果每一種都靠實驗來驗證,那麼成本將沒有止境。量子機器學習就在這裡發揮了作用。02. 量子比AI強在何處?研究團隊本來是想用現有AI大模型進行訓練的,但傳統機器學習需要大量資料,可惜能「喂」給AI的資料太少,僅有159組資料。「學習資料」太少,只能訓練出「死讀書」的AI,提供的答案都挑不出合適能用的,只好轉用量子機器學習(QML),其中的關鍵就在於量子核心(Quantum Kernel),它正是為解決「小資料+高維度+非線性」的工業難題而生。量子核心來自傳統機器學習中的“經典核方法(Kernel Method)”,經典核方法也能解決很多問題,但面對超高維資料,就會面臨指數級複雜度,計算難度隨維度增長而劇增。換句話說,經典核方法要試100次才能找到最佳工藝,但那耗時燒錢;但量子核心只試10次就能直接輸出最優工藝配方。就像去試菜,儘管只有幾盤,但量子核心依然能根據香味來推斷其背後的配方——可能有讀者會說,現在常見的AI學習機制也能做到這種升維判斷啊,怎麼能說只有量子核心能做到?量子機器學習能看穿隱藏維度,找到人腦和經典電腦摸不透的規律可以是可以,但傳統AI學習機制其實更像是利用透視法來做一個「假」3D模型,量子機器學則能如同一台3D印表機,真的看透隱藏維度,找到人腦和經典電腦摸不透的規律。依靠量子位元的糾纏與疊加,5個位元就能形成一個32維空間,而這個多維空間還能呈指數級增長,當然也能比傳統機器學習看得更深遠。總的來說,量子核心不是要取代經典計算,而是能為半導體研發裝上“量子透鏡”,將奈米級製程的微弱訊號在量子空間放大,讓工程師從極少實驗中洞察最優製程路徑。這項技術正從實驗室走向產線,主要的推進者之一就是Google,未來,量子機器學習或將成為晶片製造的新引擎。 (壹零社)