半导体制造中小数据集建模的量子核学习：在欧姆接触中的应用
机器学习
2025-06-26 v3 新兴技术
量子物理
摘要
由于高维参数空间和有限的实验数据，对欧姆接触形成等复杂半导体制造工艺进行建模仍然具有挑战性。虽然经典机器学习（CML）方法在许多领域取得了成功，但其在小样本、非线性场景下的性能会下降。在本工作中，我们研究了量子机器学习（QML）作为一种替代方案，利用量子核从紧凑的数据集中捕捉复杂的关联。仅使用 159 个实验性 GaN HEMT 样本，我们开发了一种量子核对齐回归器（QKAR），结合了浅层 Pauli-Z 特征映射和可训练的量子核对齐（QKA）层。包括七个基线 CML 回归器在内的所有模型，均在统一的基于 PCA 的预处理流水线下进行评估，以确保公平比较。QKAR 在多项指标（MAE、MSE、RMSE）上始终优于经典基线，在实验数据验证中实现了 0.338 Omega mm 的平均绝对误差。我们通过交叉验证和新器件制造进一步评估了噪声鲁棒性和泛化能力。这些发现表明，精心构建的 QML 模型可以在数据受限的半导体建模中提供预测优势，为在近期量子硬件上的实际部署奠定基础。尽管 QML 和 CML 都面临挑战，但本研究展示了 QML 作为复杂工艺建模任务中互补方法的潜力。
引用
@article{arxiv.2409.10803,
title = {Quantum Kernel Learning for Small Dataset Modeling in Semiconductor Fabrication: Application to Ohmic Contact},
author = {Zeheng Wang and Fangzhou Wang and Liang Li and Zirui Wang and Timothy van der Laan and Ross C. C. Leon and Jing-Kai Huang and Muhammad Usman},
journal= {arXiv preprint arXiv:2409.10803},
year = {2025}
}
备注
Journal version 2.0