Cientistas utilizam aprendizado de máquina quântica para desenvolver semicondutores pela primeira vez

O aprendizado de máquina quântica (QML, na sigla em inglês) é uma abordagem híbrida que codifica dados clássicos em estados quânticos, permitindo que computadores quânticos identifiquem padrões complexos nos dados — algo que seria difícil ou impossível para sistemas tradicionais. Após essa etapa, algoritmos clássicos são usados para interpretar os resultados ou aplicá-los a problemas práticos.

No estudo, a equipe se concentrou na modelagem da resistência de contato ôhmica — um dos desafios mais complexos na fabricação de chips, que influencia diretamente a eficiência e o desempenho dos dispositivos. Embora algoritmos clássicos de aprendizado de máquina sejam comumente usados para prever essa resistência, eles tendem a falhar quando os dados disponíveis são pequenos, ruidosos e não lineares — um cenário comum em experimentos com semicondutores.

Para superar essas limitações, os cientistas recorreram ao QML e trabalharam com dados de 159 amostras experimentais de transistores de alta mobilidade eletrônica feitos de nitreto de gálio, conhecidos por sua velocidade e eficiência em aplicações como eletrônicos e dispositivos 5G.

Após identificar as variáveis de fabricação mais relevantes, a equipe desenvolveu uma nova arquitetura chamada Quantum Kernel-Aligned Regressor (QKAR). O QKAR converte os dados clássicos em estados quânticos para que padrões complexos sejam extraídos pelo sistema quântico. Em seguida, esses padrões são usados por algoritmos clássicos para treinar um modelo preditivo capaz de orientar a fabricação de chips.

O modelo foi testado em cinco amostras inéditas e superou sete modelos clássicos de referência. Além do bom desempenho, os pesquisadores destacam que o QKAR foi projetado para ser compatível com o hardware quântico atual, o que abre caminho para sua aplicação prática em ambientes industriais à medida que esses sistemas evoluem.