AI summary
Pembelajaran mesin kuantum menunjukkan potensi besar dalam desain semikonduktor. Pendekatan QKAR dapat diimplementasikan dengan efisien menggunakan hanya lima qubit. Hasil penelitian CSIRO mengindikasikan kemampuan QML untuk menangkap pola yang mungkin terlewat oleh model klasik. Desain semikonduktor adalah proses penting dalam pembuatan chip yang menggerakkan hampir semua perangkat elektronik saat ini. Namun, desain ini rumit dan melibatkan banyak disiplin ilmu, termasuk teknik listrik dan ilmu material.Selama ini, kecerdasan buatan klasik (Classical Machine Learning) sudah digunakan untuk membantu desain, tapi kurang efektif ketika data yang tersedia sedikit dan interaksi parameter bersifat non-linear.Peneliti dari CSIRO di Australia mencoba pendekatan baru menggunakan pembelajaran mesin kuantum (Quantum Machine Learning) pada data semiconductor GaN HEMT, yang menawarkan performa lebih baik dibandingkan teknologi silikon biasa.Mereka mengembangkan metode bernama Quantum Kernel-Aligned Regressor yang mengubah data klasik menjadi data kuantum yang bisa diproses oleh komputer kuantum kecil berisi lima qubit, dan hasilnya kemudian dianalisis dengan algoritma klasik untuk mendapatkan parameter utama dalam fabrikasi.Metode ini terbukti memberikan hasil yang lebih baik dibandingkan beberapa algoritma klasik lain dan sudah diuji melalui pembuatan perangkat baru, yang menunjukkan optimasi performa nyata dari desain chip yang dihasilkan.
Pendekatan pembelajaran mesin kuantum yang diusulkan oleh CSIRO merupakan lompatan penting dalam desain semikonduktor, terutama karena bisa dioperasikan pada perangkat kuantum saat ini dengan qubit terbatas. Ini menandakan bahwa teknologi kuantum bukan hanya teori masa depan, tapi sudah siap diaplikasikan di industri nyata dan membuka potensi baru bagi riset material serta fabrikasi elektronik.
