ऑस्ट्रेलिया के CSIRO के शोधकर्ताओं ने अर्धचालक निर्माण में क्वांटम मशीन लर्निंग का विश्व-प्रथम प्रदर्शन हासिल किया है। क्वांटम-संवर्धित मॉडल ने पारंपरिक एआई विधियों को बेहतर बनाया और यह फिर से खोल सकता है कि माइक्रोचिप्स को कैसे डिज़ाइन किया गया है। टीम ने एक महत्वपूर्ण मॉडलिंग पर ध्यान केंद्रित किया – लेकिन यह भविष्यवाणी करने के लिए मुश्किल है – “ओमिक संपर्क” प्रतिरोध नामक संपत्ति, जो यह मापता है कि कैसे आसानी से प्रवाहित होता है जहां धातु एक अर्धचालक से मिलता है।
उन्होंने उन्नत गैलियम नाइट्राइड (GAN) ट्रांजिस्टर (उच्च शक्ति/उच्च-आवृत्ति प्रदर्शन के लिए जाना जाता है) से 159 प्रायोगिक नमूनों का विश्लेषण किया। एक अंतिम शास्त्रीय प्रतिगमन कदम के साथ एक क्वांटम प्रसंस्करण परत को मिलाकर, मॉडल ने सूक्ष्म पैटर्न निकाला जो पारंपरिक दृष्टिकोण से चूक गए थे।
एक कठिन डिजाइन समस्या का सामना करना
के अनुसार अध्ययनCSIRO शोधकर्ताओं ने पहले प्रति डिवाइस में कई फैब्रिकेशन वैरिएबल (जैसे गैस मिश्रण और एनीलिंग टाइम्स) को एन्कोड किया और 37 मापदंडों को पांच सबसे महत्वपूर्ण लोगों तक कम करने के लिए प्रिंसिपल कंपोनेंट एनालिसिस (पीसीए) का इस्तेमाल किया। प्रोफेसर मुहम्मद उस्मान – जिन्होंने अध्ययन का नेतृत्व किया – बताते हैं कि उन्होंने ऐसा इसलिए किया क्योंकि “क्वांटम कंप्यूटर जो वर्तमान में हमारे पास बहुत सीमित क्षमताएं हैं”।
शास्त्रीय मशीन लर्निंग, इसके विपरीत, तब संघर्ष कर सकता है जब डेटा दुर्लभ होते हैं या रिश्ते नॉनलाइन होते हैं। इन प्रमुख चर पर ध्यान केंद्रित करके, टीम ने आज के लिए समस्या को प्रबंधनीय बना दिया मात्रा हार्डवेयर।
एक क्वांटम कर्नेल दृष्टिकोण
डेटा को मॉडल करने के लिए, टीम ने एक कस्टम क्वांटम कर्नेल-संरेखित रजिस्ट्रार (QKAR) वास्तुकला का निर्माण किया। प्रत्येक नमूने के पांच प्रमुख मापदंडों को पांच-क्विट क्वांटम स्टेट (एक पॉली-जेड फीचर मैप का उपयोग करके) में मैप किया गया था, जिससे जटिल सहसंबंधों को कैप्चर करने के लिए एक क्वांटम कर्नेल परत को सक्षम किया गया था।
इस क्वांटम परत के आउटपुट को तब एक मानक शिक्षण एल्गोरिथ्म में खिलाया गया था जिसमें पहचान की गई थी कि कौन से विनिर्माण मापदंडों को सबसे अधिक मायने रखा था। जैसा कि उस्मान कहते हैं, यह संयुक्त क्वांटम -शास्त्रीय मॉडल पिनपॉइंट है जो निर्माण के लिए इष्टतम डिवाइस प्रदर्शन के लिए ट्यून करने के लिए कदम है।
परीक्षणों में, QKAR मॉडल ने एक ही कार्य पर सात शीर्ष शास्त्रीय एल्गोरिदम को हराया। इसके लिए केवल पांच qubits की आवश्यकता थी, जिससे यह आज की क्वांटम मशीनों पर संभव हो सके। CSIRO के डॉ। ज़ेहेंग वांग ने नोट किया कि क्वांटम विधि ने पैटर्न पाया कि शास्त्रीय मॉडल उच्च-आयामी, छोटे-डेटा समस्याओं में याद कर सकते हैं।
दृष्टिकोण को मान्य करने के लिए, टीम ने मॉडल के मार्गदर्शन का उपयोग करके नए GAN उपकरणों को गढ़ा; इन चिप्स ने बेहतर प्रदर्शन दिखाया। इसने पुष्टि की कि क्वांटम-असिस्टेड डिज़ाइन अपने प्रशिक्षण डेटा से परे सामान्यीकृत है।
