في خطوة علمية ثورية، أعلن باحثون من منظمة الكومنولث للبحوث العلمية والصناعية (CSIRO)، الوكالة الوطنية الأسترالية للأبحاث، عن أول أشباه موصلات في العالم تم تصميمها باستخدام تقنيات الكم.

هذه التقنية الجديدة، التي تعتمد على التعلم الآلي الكمومي، تفتح آفاقًا غير مسبوقة في تصنيع أشباه الموصلات التي ستشكل مستقبل الأجهزة الإلكترونية.

التعلم الآلي الكمومي يتفوق على تقنيات الذكاء الاصطناعي الكلاسيكية (CML) المستخدمة حاليًا في تصميم وتصنيع الرقائق الدقيقة، مما يتيح تحسينات كبيرة في كفاءة عملية التصميم.

في الماضي، كان تصميم أشباه الموصلات يعتمد على التعاون بين خبراء في مجالات متعددة مثل الهندسة الكهربائية، علوم المواد، والحوسبة، الذين يعملون معًا لتصميم دوائر متكاملة تشغل الأجهزة الحديثة. وكان هذا العمل يتطلب دقة عالية في الاختبارات والمعايير، وفقا لموقع "interestingengineering".

ومع تطور تقنيات الحوسبة والذكاء الاصطناعي، شهد تصميم أشباه الموصلات تحسنًا ملحوظًا، حيث كان التعلم الآلي الكلاسيكي جزءًا من هذه العملية. ولكن مع تعقيد الأنظمة وتقليص العينات، بدأت تقنيات الذكاء الاصطناعي الكلاسيكية في فقدان فعاليتها في بعض الحالات، وهو ما دفع باحثي CSIRO لاستكشاف التعلم الآلي الكمومي (QML) كحل بديل قادر على معالجة هذه التحديات.

التحديات في تصميم أشباه الموصلات: المقاومة الأومية

ركز فريق البحث بقيادة محمد عثمان، رئيس قسم أنظمة الكم في CSIRO، على نمذجة المقاومة الأومية في أشباه الموصلات. هذه المقاومة هي مقياس لمدى صعوبة مرور التيار الكهربائي عبر الموصلات عند تلامسها مع المعادن، وهي تعد من العوامل الحاسمة في تصميم الرقائق. لكن من الصعب جدًا نمذجة هذه المقاومة بدقة، مما جعلها تحديًا كبيرًا في تحسين تصميم أشباه الموصلات.

استخدم الفريق بيانات من 159 عينة تجريبية من ترانزستور GaN HEMT، الذي يعد أكثر كفاءة من أشباه الموصلات التقليدية المصنوعة من السيليكون. استخدم الباحثون في البداية مجموعة من المعايير، ثم عملوا على تقليصها لتحديد العوامل الرئيسية التي تؤثر في عملية التصنيع. حيث بدأوا بـ37 معيارًا، ثم قاموا بتقليصها إلى خمسة معايير رئيسية.

كيف يعمل التعلم الآلي الكمومي؟

أوضح عثمان أن القدرة الحسابية للأجهزة الكمومية الحالية محدودة، ولهذا كان من الضروري تبسيط النموذج الكمومي ليتناسب مع هذه الإمكانيات. ولتنفيذ ذلك، طور الفريق محول الانحدار الكمومي المحاذي للنواة (QKAR)، الذي يتيح تحويل البيانات الكلاسيكية إلى بيانات كمومية عبر خمسة كيوبتات.

يعمل QKAR على استخراج الخصائص الهامة من البيانات، وتستخدم خوارزمية تقليدية بعد ذلك لتحليل النتائج وتوجيهها لتحسين عمليات التصنيع. بفضل هذه التقنية، تمكن الباحثون من تحديد المعايير المؤثرة في عملية التصنيع، وبالتالي معرفة ما يجب تعديله لتحسين أداء المنتجات النهائية.

تفوق الكم على الذكاء الاصطناعي الكلاسيكي

أظهرت التجارب أن QKAR قد تفوق على سبع خوارزميات CML مختلفة كانت تستخدم لحل هذه المشكلة. والأهم من ذلك، أن QKAR يتطلب فقط خمسة كيوبتات، مما يجعله قابلًا للتطبيق الفوري في الصناعة دون الحاجة إلى أجهزة كمومية معقدة.

زهينج وانج، الباحث في CSIRO، أكد أن نتائج البحث تظهر أن النماذج الكمومية يمكنها التقاط الأنماط التي قد تفوتها النماذج الكلاسيكية، خصوصًا في الأنظمة المعقدة التي تحتوي على بيانات صغيرة أو عالية الأبعاد. وقد تم التحقق من صحة النموذج من خلال تصنيع أجهزة GaN جديدة، أظهرت أداءً محسنًا.

نتائج واعدة

أظهرت نتائج البحث التي نُشرت في مجلة Advanced Science أن التعلم الآلي الكمومي قد يمثل خطوة كبيرة نحو تحسين عملية تصميم وتصنيع أشباه الموصلات، ويمكن أن يُحدث ثورة في صناعة الأجهزة الإلكترونية المستقبلية.