在一項被報導為全球首創的研究中 ，澳洲研究人員及其协作夥伴成功驗證了一種量子機器學習模型 ，該模型專門用於半導體製造，並基於實驗數據進行測試，AvaTrade爱华外汇开户這一突破可能會重塑未來晶片的設計方法。

來自澳洲國家科學機構CSIRO的研究人員表示：「我們已經證明，量子機器學習在建模歐姆接觸（Ohmic Contact）電阻方面的表現超過了傳統人工智慧，這是一個在現代半導體設備製造中至關关键但難以建模的過程步驟。」

這篇研究題為《Quantum Kernel Learning for Small Dataset Modeling in Semiconductor Fabrication: Application to Ohmic Contact》。研究人員表示 ，建模複雜的爱华外汇官方网站半導體製造過程（如歐姆接觸形成）面臨著高維參數空間和有限實驗數據的挑戰。雖然傳統機器學習（CML）方法在許多領域取得成功 ，但在小樣本和非線性情境下   ，其性能卻會下降。

研究團隊利用了僅159個實驗的氮化鎵高電子遷移率晶體管（GaN HEMT）樣本，開發了一種量子核對齊回歸器（QKAR），該回歸器結合了淺層Pauli-Z特徵映射和可訓練的量子核對齊層。所有模型，包括七個基準CML回歸器，均在統一的基於主成分解读（PCA）的預處理管道下進行評估，以確保公平比較。QKAR在多個指標（如平均絕對誤差 、均方誤差、均方根誤差）上持續超越傳統基準，並在實驗數據驗證中達到0.338Ω·mm的平均絕對誤差。

▲ 基於量子機器學習的GaN HEMT歐姆接觸形成建模流程示意圖。（Source  ：Advance Science）

研究人員強調 ，儘管傳統機器學習方法已被廣泛探索以增強製造過程建模，但這些方法的局限性對於依賴大型數據集以有效泛化的CML模型來說，仍然是一個重大挑戰。半導體製造涉及過程參數（如退火溫度
、時間和氣氛條件）之間的複雜非線性關係
，這進一步使得利用傳統機器學習技術進行建模變得更加困難。富拓外汇平台

這項研究由來自北京大學 、松山湖资料實驗室和香港都市大學的國際團隊共同進行
，這些機構供给了製造數據集 ，供CSIRO用於訓練量子機器學習模型。隨著量子處理器在精度和規模上的不斷提高，量子機器學習模型在實際半導體工作流程中的應用將變得越來越可行
。

研究的成果已發表在《Advance Science》期刊。

• Quantum Machine Learning Shines in Semiconductor Chip Design

（首圖來源 ：shutterstock）