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）
