Quantenphysik wirkt oft fern - jetzt hilft sie direkt, neue Chips zu bauen

Ein neuartiges KI-Modell hilft dabei, die Chipproduktion zu verbessern - nicht in der Theorie, sondern mitten im realen Fertigungslabor. Mit schlauen Tricks aus Quantenphysik und Statistik erkennt es die vielversprechendsten Fertigungsrezepte.

Dieses Modell macht auf Anhieb alles besser

Lange galt es als spannende Idee für die Zukunft: Quanten-KI könnte einmal helfen, Probleme zu lösen, an denen klassische Computer scheitern. Doch jetzt zeigt ein Experiment aus Australien, dass dieser Moment womöglich bereits gekommen ist - mitten in der extrem anspruchsvollen Welt der Halbleiterfertigung.

Ein zentrales Nadelöhr bei der Chip-Herstellung ist der sogenannte ohmsche Kontakt - die Stelle, an der Metall und Halbleiter elektrisch verbunden werden. Winzige Abweichungen in der Struktur oder im Material führen dazu, dass der Stromfluss gehemmt wird. Hersteller versuchen seit Jahren, diesen Widerstand zu minimieren - doch die Modellierung ist schwierig, da sich das Verhalten kaum vorhersagen lässt.


Klassische KI-Verfahren helfen hier nur begrenzt: Sie brauchen große Datenmengen und kommen mit den nicht linearen Zusammenhängen oft nicht zurecht. Genau an diesem Punkt setzte das Team um Muhammad Usman von der australischen Forschungsagentur CSIRO an. Ihre Idee: Statt mehr Daten zu sammeln, nutzen sie die besonderen Fähigkeiten von Quantenmodellen, Muster in wenigen, komplexen Datensätzen zu erkennen.

Die Methode heißt Quantum Kernel-Aligned Regressor (QKAR). Sie übersetzt klassische Messwerte in Quanten-Zustände, analysiert sie auf einer simulierten Quantenarchitektur und kombiniert die Ergebnisse mit einem klassischen Algorithmus. Getestet wurde das Verfahren mit realen Produktionsdaten von 159 Galliumnitrid-Transistoren - und es übertraf sieben konventionelle KI-Modelle in der Vorhersagekraft.

Direkt anwendbar

Was diese Studie, veröffentlicht in Advanced Science, so besonders macht: Es geht nicht um ein theoretisches Konstrukt, sondern um ein Verfahren, das direkt an einem realen Fertigungsproblem getestet wurde - mit einem Ergebnis, das sich sofort auf die Optimierung von Herstellungsprozessen anwenden ließe.

Noch ist QKAR ein hybrides System - die Quantenkomponenten laufen auf Simulatoren. Doch schon dieser Einsatz zeigt, welches Potenzial die Methode hat. Wenn echte Quantenchips leistungsfähiger werden, könnte sich diese Art des maschinellen Lernens als leistungsfähiges Werkzeug für komplexe, datenarme Probleme etablieren - nicht nur in der Chipindustrie.

So funktioniert der Quantum Kernel-Aligned Regressor (QKAR)

Ein hybrides Modell für präzise Vorhersagen bei wenig Daten

Baustein	Funktion
Datengrundlage	159 reale Fertigungsrezepte von GaN-HEMTs - ergänzt durch künstliche Daten (VAE)
Datenvorbereitung	37 Eingangsfaktoren (z. B. Metalltyp, Temperatur) → reduziert auf 5 Hauptmerkmale (PCA)
Feature-Mapping	Klassische Daten werden per Pauli-Z-Schaltkreis in einen 5-Qubit-Zustand übersetzt
QKA-Layer	Trainierbare Rotationen (Rx/Ry) + CNOT-Gatter zur Feinabstimmung des Kernels
Kernel-Berechnung	Quantenkernel misst die Ähnlichkeit zwischen zwei Datenpunkten im Qubit-Zustand
Klassisches Modell	Der Kernel dient als Basis für einen Support Vector Regressor (SVR), der Vorhersagen trifft
Fehlermaß (MAE)	QKAR erreicht 0,338 Ω·mm - besser als alle getesteten klassischen Modelle
Robustheit	Das Modell bleibt auch unter realistischer Quantenhardware-Fehlerrate stabil (z. B. 1 % Rauschen)

Siehe auch: