科学家攻克欧姆接触建模难题，验证量子机器学习小样本学习优势

华人学者首次利用量子机器学习助力半导体技术实现突破。近日，澳大利亚新南威尔士大学博士毕业生、目前在澳大利亚最大的国家级科技研究机构——澳大利亚联邦科学与工业研究组织（CSIRO，Commonwealth Scientific and Industrial Research Organization）担任研究员的王泽恒，和合作者利用量子机器学习（QML，quantum machine learning）在全球范围内首次实现了半导体制造工艺优化。该研究首次证明，量子方法可被用于半导体制造的真实实验数据，从而能够起到优化工艺流程的作用，因此这项研究可能会重塑未来微芯片的设计方式。

图 | 右侧人物为王泽恒（来源：https://www.linkedin.com/in/ze）

半导体制造堪称现代工程最复杂的高难度技术之一，单是制造一枚芯片就需要数百道工序，这些工序包括蚀刻、沉积等，而且每道工序都要求极高的精度。

然而，王泽恒等人首次利用量子机器学习来制造半导体，日前相关论文发表在Advanced Science（IF 14.3）上。

图 | 相关论文（来源：Advanced Science）

研究中，该团队重点研究了半导体材料欧姆接触电阻的建模问题，通过研究这一问题他们旨在衡量半导体与金属接触部位电阻大小的指标。在接触部位上，电流可以在两种材料之间双向顺畅流动。而对欧姆接触电阻进行建模对于半导体的设计和制造至关重要，但这也是一种出了名难以建模的特性。在此之前，人们很难针对欧姆接触电阻进行建模。之前一种常见方法是使用经典机器学习（CML，classical machine learning）算法，但是这些算法需要大量的数据集，而且在小样本、非线性场景中的性能会出现下降。

而在本次研究之中，他们在 159 个氮化镓高电子迁移率晶体管（GaN HEMT，Gallium Nitride High Electron Mobility Transistor）半导体实验样本的数据上，对其量子机器学习模型进行了测试。与更常见的硅基晶体管相比，氮化镓高电子迁移率晶体管具有更优异的性能。

一旦获取半导体制造数据集，研究人员就会开始进行大量预处理，事实上这一预处理步骤也是一种传统流程。研究中，他们提取影响制造过程的各种参数，并进行了一种名为“热编码”的处理，其实这一处理在本质上就是标记特定参数是否被激活。

这些数据都是由 0 和 1 组成的二进制数据，并用来表示诸如特定气体是否开启、退火时间、是否进行了掺杂等情况。

热编码完成之后，研究人员从每个实验中得到了一份包含 37 个参数的列表。通过经典的主成分分析（PCA，principal component analysis）法，他们将参数精简至 5 个核心变量。

（来源：Advanced Science）

研究人员表示，目前可用的量子计算机性能仍十分有限，因此需要通过智能降维处理，使计算任务适配现有量子硬件的算力水平。完成上述步骤之后，他们开始进行量子部分的工作。

在量子部分的研究中，该团队研发出一种量子核对齐回归器（QKAR，Quantum Kernel-Aligned Regressor）架构。量子核对齐回归器在设置上包含了一个泡利-Z 量子特征映射——这是一种数学算子，能够将经典数据转化为由 5 个量子比特（或称 qubit）表示的量子态。一旦数据被映射到量子比特上，就会使用量子核对齐层来执行机器学习。

在计算机科学中，内核是操作系统的核心组件。它们管理系统资源，并在软件与硬件组件之间起到衔接作用。而量子核计算能从制造数据集中提取出重要特征。这也是量子“魔力”发挥作用的地方，因为这些核具有高度的纠缠性。当它们处理数据集时，能够获取到人们过去使用的经典核无法获得的信息。量子核提取重要特征后，就会使用一种经典机器学习算法来检索信息。

经典机器学习算法会利用量子方法提取出的结果，然后通过训练进而为制造过程提供指导，它能告诉研究人员在制造过程中哪些重要参数起到了关键作用，以及需要调整或优化哪些参数来提升制造效果。

研究人员表示，量子核对齐回归器技术在同一问题的建模中，其表现优于 7 种经典机器学习算法。由于只需要 5 个量子比特，因此该方法可被立即用于当前的量子架构，这也体现了本次技术的实用价值。通常量子算法需要数十个量子比特，而这远超当前硬件水平。但是本次研究人员开发的经典与量子相结合的方法，不仅在当下就能部署应用，更将在短期内显现技术优势。

（来源：Advanced Science）

当前，半导体行业日益受到数据稀缺和工艺复杂性上升的制约。而本次研究结果表明，经过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——尤其在高维度、小样本场景下。研究人员通过制备新型氮化镓器件验证了该模型，实测性能得到优化；进一步通过量子核谱分析，证实了量子机器学习具备超越训练数据的泛化能力。

另据悉，量子机器学习面临的最大挑战之一是如何使其具有实用性，通过在浅层量子电路中引入可学习的核对齐层，研究人员证明即使在量子比特硬件有限的情况下，也能实现性能提升。该模型在真实量子噪声水平下也表现出了稳健性，这对于未来在真实嘈杂中尺度量子（NISQ，Noisy intermediate-scale quantum）设备上的应用至关重要。

（来源：Advanced Science）

研究人员表示本次成功表明：在半导体领域，量子机器学习在有效处理高维度、小样本回归任务方面具有潜力。并指出，随着量子硬件的不断成熟，其在未来实际应用中的部署有望开辟广阔前景。这项研究突显了量子机器学习在复杂高维数据中发掘规律的能力，除了有望降低半导体行业的制造成本并改善器件性能外，这项研究还可能产生其他深远影响。也就是说，除了在氮化镓（GaN）上进行初步的概念验证测试外，量子核对齐回归器模型还可用于其他材料。随着量子技术的不断发展，它们可能有助于解决传统计算机无法解决的复杂问题，并具备拓展应用于其他材料体系的潜力。

研究人员还表示，本次成果清晰证明了量子方法能提取经典技术无法获取的特征。作为其所发表的首个实证研究，其有效性已得到验证。接下来他们将与材料开发科学家合作，探索新型材料体系——包括硅基半导体制造工艺等其他材料系统。下一步计划是：通过多数据集验证该方法的适用范围，并在各类实验样本中进一步检验其普适性。

参考资料：

相关论文：Z, Wang et al. Quantum Kernel Learning for Small Dataset Modeling in Semiconductor Fabrication: Application to Ohmic Contact.Advanced Science(2025). https://doi.org/10.1002/advs.202506213

https://www.linkedin.com/in/zeheng-w-90ab80187/?original_referer=https%3A%2F%2Fwww%2Egoogle%2Ecom%2Ehk%2F&originalSubdomain=au

https://people.csiro.au/W/Z/zeheng-wang

https://www.csiro.au/en/about/We-are-CSIRO

运营/排版：何晨龙