Para peneliti di CSIRO Australia telah mencapai demonstrasi pembelajaran mesin kuantum pertama di dunia dalam fabrikasi semikonduktor. Model yang ditingkatkan kuantum mengungguli metode AI konvensional dan dapat membentuk kembali cara microchip dirancang. Tim berfokus pada pemodelan properti penting—tetapi sulit diprediksi—yang disebut resistansi “kontak Ohmik”, yang mengukur seberapa mudah arus mengalir di mana logam bertemu dengan semikonduktor.
Mereka menganalisis 159 sampel eksperimental dari transistor gallium nitride (GaN) canggih (dikenal dengan kinerja daya tinggi/frekuensi tinggi). Dengan menggabungkan lapisan pemrosesan kuantum dengan langkah regresi klasik terakhir, model tersebut mengekstrak pola halus yang terlewatkan oleh pendekatan tradisional.
Mengatasi masalah desain yang sulit
Menurut penelitian tersebut, para peneliti CSIRO pertama kali mengkodekan banyak variabel fabrikasi (seperti campuran gas dan waktu anil) per perangkat dan menggunakan analisis komponen utama (PCA) untuk mengecilkan 37 parameter menjadi lima yang paling penting. Profesor Muhammad Usman – yang memimpin penelitian – menjelaskan bahwa mereka melakukan ini karena “komputer kuantum yang saat ini kita miliki kemampuan yang sangat terbatas”.
Pembelajaran mesin klasik, sebaliknya, dapat berjuang ketika data langka atau hubungan tidak linier. Dengan berfokus pada variabel utama ini, tim membuat masalah dapat dikelola untuk perangkat keras kuantum saat ini.
Pendekatan kernel kuantum
Untuk memodelkan data, tim membangun arsitektur Quantum Kernel-Aligned Regressor (QKAR) kustom. Lima parameter utama setiap sampel dipetakan ke dalam keadaan kuantum lima qubit (menggunakan peta fitur Pauli-Z), memungkinkan lapisan kernel kuantum untuk menangkap korelasi yang kompleks.
Output dari lapisan kuantum ini kemudian dimasukkan ke dalam algoritma pembelajaran standar yang mengidentifikasi parameter manufaktur mana yang paling penting. Seperti yang dikatakan Usman, model kuantum-klasik gabungan ini menunjukkan langkah fabrikasi mana yang harus disetel untuk kinerja perangkat yang optimal.
Dalam pengujian, model QKAR mengalahkan tujuh algoritma klasik teratas pada tugas yang sama. Itu hanya membutuhkan lima qubit, sehingga layak pada mesin kuantum saat ini. Dr. Zeheng Wang dari CSIRO mencatat bahwa metode kuantum menemukan pola yang mungkin hilang dari model klasik dalam masalah data kecil berdimensi tinggi.
Untuk memvalidasi pendekatan, tim membuat perangkat GaN baru menggunakan panduan model; chip ini menunjukkan peningkatan kinerja. Ini menegaskan bahwa desain berbantuan kuantum digeneralisasi di luar data pelatihannya.
