Microchips estão presentes em quase todos os dispositivos modernos, como celulares, laptops e até geladeiras. No entanto, sua fabricação envolve um processo complexo. Pesquisadores afirmam ter encontrado uma forma de simplificar esse processo usando o poder da computação quântica.
Cientistas na Austrália desenvolveram uma técnica de aprendizado de máquina quântico, que une inteligência artificial com princípios da computação quântica, e que pode transformar a forma como os microchips são produzidos.
Os pesquisadores demonstraram, pela primeira vez, que algoritmos de aprendizado de máquina quântico podem melhorar o processo desafiador de modelagem da resistência elétrica dentro de um chip, um fator determinante para seu desempenho e eficiência.
O aprendizado de máquina quântica é uma abordagem híbrida que combina dados clássicos com métodos da computação quântica. Em sistemas clássicos, os dados são armazenados em bits codificados como 0 ou 1. Já computadores quânticos utilizam qubits, que, devido a propriedades como superposição e entrelaçamento, podem existir em múltiplos estados ao mesmo tempo. Assim, dois qubits podem representar 00, 01, 10 e 11 simultaneamente.
Isso permite que sistemas quânticos processem relações matemáticas complexas com muito mais rapidez do que os sistemas tradicionais. Quanto mais qubits são adicionados, mais cresce exponencialmente a capacidade de processamento em paralelo.
A técnica envolve codificar os dados clássicos em estados quânticos. O computador quântico detecta padrões que seriam difíceis de serem identificados por sistemas convencionais. Em seguida, um sistema clássico interpreta os resultados ou os aplica.
A fabricação de semicondutores é uma tarefa minuciosa, composta por diversas etapas que exigem precisão absoluta. Qualquer desalinhamento, por menor que seja, pode comprometer todo o chip. O processo começa com o empilhamento e escultura de centenas de camadas microscópicas sobre um wafer de silício, base dos chips.
Uma camada de material fino é depositada no wafer. Em seguida, aplica-se um revestimento sensível à luz que permite o padrão detalhado do circuito. Através da litografia, a luz transfere esses padrões à superfície. O processo de gravação remove áreas específicas do material, criando a estrutura dos circuitos. A implantação de íons altera propriedades elétricas das camadas ao inserir partículas carregadas. Por fim, o chip é embalado e preparado para ser integrado a dispositivos.
É nesse ponto que os princípios da computação quântica entram em cena. Os pesquisadores focaram na modelagem da resistência de contato ôhmico, um dos maiores desafios na fabricação de chips. Essa resistência mede a facilidade com que a corrente elétrica flui entre as camadas metálica e semicondutora do chip. Quanto menor for esse valor, maior a velocidade e a eficiência energética do dispositivo.
Esse passo ocorre após as camadas serem aplicadas e moldadas no wafer, e influencia diretamente o desempenho do chip final. Modelar essa resistência com precisão, no entanto, tem sido um desafio.
Engenheiros geralmente usam algoritmos de aprendizado de máquina tradicionais, que identificam padrões em grandes volumes de dados para prever comportamentos. No entanto, experimentos com semicondutores costumam gerar conjuntos de dados pequenos e ruidosos, com padrões não lineares, limitando a eficácia dessas abordagens. Para contornar isso, os cientistas apostaram no aprendizado de máquina quântico.
O estudo utilizou dados de 159 amostras experimentais de transistores de nitreto de gálio de alta mobilidade eletrônica, conhecidos pela eficiência e velocidade, e usados em eletrônicos e dispositivos 5G. Os pesquisadores identificaram quais variáveis de fabricação mais impactavam a resistência de contato ôhmico, reduzindo o conjunto de dados aos fatores mais relevantes. A partir disso, desenvolveram uma nova arquitetura chamada Regressor Alinhado por Kernel Quântico (QKAR).
Esse modelo converte os dados clássicos em estados quânticos, permitindo que o sistema quântico reconheça relações complexas. Um algoritmo clássico aprende com essas descobertas e cria um modelo preditivo para orientar a fabricação de chips. O modelo foi testado com cinco novas amostras que não haviam sido usadas no treinamento inicial.
O QKAR foi comparado com sete modelos tradicionais, incluindo métodos de aprendizado profundo e boosting, e obteve desempenho superior. Ele alcançou um resultado significativamente melhor que os modelos convencionais, embora os números exatos não tenham sido divulgados no estudo.
Outro ponto importante é que o modelo foi projetado para ser compatível com o hardware atual, o que permite sua aplicação prática conforme os computadores quânticos se tornarem mais robustos.
Segundo os autores, os resultados demonstram o potencial do aprendizado de máquina quântico para lidar com tarefas de regressão complexas em contextos de semicondutores. Eles destacam ainda que a técnica pode ser aplicada em processos reais de fabricação de chips à medida que o hardware quântico avança.
Leia também no Jornal Paraná
Murais de personalidades de Curitiba dão novo toque ao Centro
Polícia apreende drogas e materiais usados para o tráfico
Coritiba assume a liderança da Série B e projet 2026
Cientistas criam primeiro qubit anti-matéria
Leia política no Blog do Tupan, parceiro do Jornal Paraná:
Ogier Buchi vai para o teste das urnas