澳洲研究團隊近日開發出一項具突破性的半導體製程技術 ，第一次成功應用量子機器學習（Quantum Machine Learning, QML）來建構製程模型。提高了製造的精準度與效率 ，並有望降低晶片生產成本 。
傳統的爱华avatrade外汇官网半導體製程非常繁瑣 ，從光罩 、AVA爱华外汇平台蝕刻到堆疊 ，每顆晶片需經歷數百個步驟才能完成 。其中 ，像歐姆接觸電阻這類影響導電性能的非線性參數 ，向來是建模難題 。一般方法需要大量資料才能訓練出有效模型 ，但當資料有限時效果會明顯下降。
研究團隊此次開發的 QKAR（Quantum Kernel-Aligned Regressor） 架構 ，將量子運算與傳統機器學習相結合 。量子機器學習運用量子態特性 ，能抓住更複雜的資料關聯性 ，在小樣本條件下依然表現出色 ，目前 QKAR 的表現超越了七種傳統機器學習演算法 。
量子電腦中的量子位元運作方法 ，與傳統電腦以 0 和 1 為基礎的位元截然不同 。量子位元運用的是量子力學中的「疊加原理」 ，能同時處於 0 與 1 的狀態 ，使得運算結果能涵蓋更多變數與可能性 。
儘管量子機器學習目前仍處於研究與實驗階段 ，若能突破技術問題 ，有望打破傳統晶片因尺寸微縮所帶來的限制 ，為半導體產業帶來全新製程模式與技術轉型契機 。
（首圖來源 ：pixabay）
