澳大利亚研究人员开发出一种新型量子机器学习技术，用于生成半导体创新设计方案。这项发表在《先进科学》（Advanced Science）期刊的研究表明，通过将数据编码为量子态进行模式识别，再结合机器学习分析结果，可显著提升芯片设计效率。
论文指出，现代复杂处理器及其内部半导体元件的设计流程具有极高精密性要求。从硅晶圆制造到最终芯片封装的多个环节中，这项新技术在封装测试阶段最具应用价值。当芯片进行封装集成时，精确理解半导体层与金属封装层之间的电流传导特性（即欧姆接触电阻）至关重要——这正是当前建模过程中的重大难点，而新方法有望大幅简化这一过程。
研究团队采用159个氮化镓高电子迁移率晶体管（GaN HEMT）样本进行验证，这类元件普遍应用于高端电子设备。通过分析制造参数对欧姆接触电阻的影响，他们开发出名为量子核对齐回归器（QKAR）的技术，可将经典数据转换为量子态进行模式识别，再将分析结果输入机器学习算法优化芯片制造工艺。
实验数据显示，这种量子与机器学习融合的模型性能超越传统算法8.8%至20.1%。尽管该技术需要更先进的量子计算硬件支持才能充分发挥潜力，但研究表明：“随着量子硬件的持续发展，量子机器学习在半导体领域高维度、小样本回归任务中展现出独特优势，为实际应用开辟了新途径。”
这项突破标志着机器学习与量子计算的协同效应正在显现。在通用量子计算机尚未普及的当下，两种技术的优势互补已为包括芯片设计在内的多个产业带来革新可能。
