华人学者首创量子机器学习助力半导体技术突破

近期，来自澳大利亚新南威尔士大学的华人学者王泽恒，在全球首次利用量子机器学习（QML）技术成功实现半导体制造工艺的优化，为该领域带来了新的突破。王泽恒目前在澳大利亚联邦科学与工业研究组织（CSIRO）担任研究员，他与团队合作的研究成果于最近发表在《Advanced Science》期刊上，标志着量子计算技术在实际工程应用中的新进展。

半导体行业是现代科技的基础，然而其制造工艺复杂，通常需要经过数百道高精度的工序，包括蚀刻、沉积等。尤其是在电阻建模方面，欧姆接触电阻的准确测量对于半导体设计与制造尤为重要。这一特性的建模一直被认为是极其困难的，传统的经典机器学习（CML）虽能进行一定的研究，但在数据稀缺和高维度领域的表现却显得捉襟见肘。

为了解决这一问题，王泽恒和他的团队将量子机器学习应用于半导体的制造中，特别是针对氮化镓高电子迁移率晶体管（GaN HEMT）的欧姆接触电阻建模。在实验中，他们提取了影响制造过程的多个参数，并应用“热编码”技术对这些参数进行了处理，最终从159个实验样本中提炼出了37个主要影响因素。这一过程通过经典的主成分分析（PCA）法，将参数进一步精简到5个核心变量，为后续的量子计算过程奠定了基础。

在量子部分的研究中，王泽恒团队研发了一种名为量子核对齐回归器（QKAR）的新架构。这种回归器通过泡利-Z量子特征映射，将经典数据转化为量子态，进而利用量子核对齐层执行机器学习任务。该模型不仅能够提取制造过程中重要的特征，还能通过量子处理获取不同于经典方式的潜在信息，这为复杂数据中的规律发掘提供了新思路。

研究表明，量子核对齐回归器在建模同一问题时，表现优于七种经典机器学习算法。虽然当前的量子计算机性能仍有限，但通过巧妙的设计，王泽恒团队的方法有效地将经典与量子计算相结合，确保其在短期内就能够实际应用，显示出未来技术优势。

目前，半导体行业面临的数据稀缺和工艺复杂性日益严峻。本研究结果证实，精心设计的量子模型能够捕捉经典模型可能遗漏的数据规律，特别是在高维度和小样本的场景下表现突出。研究人员通过制备新型氮化镓器件进行了验证，实测性能得到了显著优化。量子核谱分析也证明了量子机器学习在超越训练数据的泛化能力方面具备潜力。

值得注意的是，量子机器学习的一大挑战是实现其实用性。研究人员通过在浅层量子电路中引入可学习的核对齐层，证明即使在当前量子比特有限的条件下，该模型也能实现显著的性能提升，并在真实的量子噪声水平下保持稳健性。这对于未来在有噪声量子设备上的应用具有重要意义。

研究人员表示，该项目成功展示了量子机器学习在处理高维度、小样本回归任务中的潜力。期待随着量子硬件的不断成熟，该技术将为半导体制造带来成本降低和性能提升的双重好处。除此之外，这一研究也有可能对其他复杂问题提供解答。王泽恒团队还计划与材料科学家协作，探索新型材料系统，包括硅基半导体制造工艺等，以进一步验证该方法的适用性和普遍性。

通过这一研究，王泽恒和他的团队不仅为半导体技术的发展开拓了新路径，也为量子技术在实际工程中的应用提供了有力支撑。随着更多数据集的研究和应用，该技术的前景值得期待，有望在多个领域实现广泛应用，为未来的科技进步注入新的动力。相关论文《Quantum Kernel Learning for Small Dataset Modeling in Semiconductor Fa

ication: Application to Ohmic Contact》已经发表，进一步推动了量子机器学习领域的研究进程。