Hybrid Classical-Quantum Neural Networks for Multi-Characteristic Co-Optimization of Recessed-Gate AlGaN/GaN MIS-HEMTs

ملخص تقني: الشبكات العصبية الهجينة الكلاسيكية-الكمومية للتحسين المشترك متعدد الخصائص لترانزستورات AlGaN/GaN MIS-HEMT ذات البوابة الغائرة

بيان المشكلة
يتطلب تحسين ترانزستورات AlGaN/GaN MIS-HEMT ذات البوابة الغائرة (recessed-gate) نمذجة دقيقة لعدة خصائص كهربائية مترابطة. وتعد هذه الأجهزة حساسة للتباين الناتج عن العمليات التصنيعية (مثل عمق الحفر، وتكوين العازل، ومعالجة السطح) التي لا تستطيع النماذج التحليلية استيعابها دون التضحية بالدقة أو الكفاءة. وبينما أصبح التعلم الآلي (ML) معيارًا للنمذجة في أشباه الموصلات، فإن النهج الكلاسيكية غالبًا ما تواجه صعوبات مع مجموعات البيانات التجريبية؛ حيث تكون هذه المجموعات مكلفة في التوليد، وصغيرة بطبيعتها، ومشوبة بالضجيج بسبب العشوائية في التصنيع. وغالبًا ما تعاني الشبكات الكلاسيكية الكثيفة من الإفراط في التخصيص (overfitting) على هذه البيانات أو تفشل في التقاط الارتباطات غير الخطية المعقدة بين متغيرات العمليات وأهداف الأجهزة المتعددة والمترابطة (جهد العتبة، التباطؤ، ميل تحت العتبة، تيارات التشغيل/الإيقاف) في آن واحد.

المنهجية
يقترح المؤلفون إطار عمل للشبكة العصبية الهجينة الكلاسيكية-الكمومية (HQNN) مصمم للتحسين المشترك لستة أهداف كهربائية من متجه تصنيع/عملية مكون من 24 بُعدًا. تتضمن المنهجية ما يلي:

1. مجموعة البيانات: تستخدم الدراسة 468 جهازًا تم تصنيعها تجريبيًا عبر 17 تقسيمًا مختلفًا للعمليات. يتضمن المتجه المدخل متغيرات مستمرة (إحداثيات الرقاقة، الهندسة) ومتغيرات فئوية مشفرة بنظام (one-hot encoding) ثنائي الاختيار (التنظيف، المعالجة بالبلازما، ترسيب العازل، التلدين). يتم التنبؤ بستة أهداف: جهود العتبة الأمامي والعكسي ($V_{th,fwd}$, $V_{th,rev}$)، والتباطؤ ($\Delta V_{th}$)، وميل تحت العتبة (SS)، وتيار التشغيل ($I_{on}$)، وتيار الإيقاف ($I_{off}$).
2. البنية: تستخدم شبكة HQNN تصميم "عنق الزجاجة الصارم" (strict-bottleneck) حيث يقوم مشفر "المدرك متعدد الطبقات" (MLP) الكلاسيكي بضغط المدخل ذي الـ 24 بُعدًا إلى رمز كامن مكون من 4 أبعاد. يتم بعد ذلك رسم خرائط هذا الرمز لزوايا الدوران لدارة كمومية معلمية (PQC) مكونة من 4 كيوبتات. تعالج الـ PQC الحالة من خلال طبقات تباينية، ويؤدي قياس Pauli ثلاثي المحاور (X, Y, Z) إلى متجه ميزات مكون من 12 بُعدًا، والذي يتم رسم خرائط خطية له للوصول إلى الأهداف الستة.
3. فحص تصميم الدارة: قام المؤلفون بفحص منهجي لعائلة من 19 قالبًا للدارات الكمومية مشتقة من [18] Sim et al.، مع تغيير الاتصال (الجار الأقرب، الكل إلى الكل)، وأنواع بوابات التشابك (CNOT, CRZ, CRX)، وعمق الدارة ($L$). وقاموا بتقييم كل من نماذج "القالب المنفرد" (تكرار كتلة واحدة) و"الدارة المختلطة المتسلسلة" (تكديس كتل مختلفة).
4. التدريب: يتم تدريب النموذج باستخدام دالة فقد MSE متعددة الأهداف موزونة. يتم حساب التدرجات للمعلمات الكمومية عبر قاعدة "إزاحة المعلمة" (parameter-shift rule)، والمتكاملة مع الانتشار العكسي الكلاسيكي عبر طبقات المشفر والقراءة باستخدام CUDA-Q وPyTorch.

المساهمات الرئيسية

• الفحص المنهجي للدارات: يقدم العمل دراسة استقصائية واسعة النطاق لقوالب الدارات الكمومية للارتباط في أشباه الموصلات، مع تحديد خصائص معمارية محددة ترتبط بالأداء.
• التحسين المشترك متعدد الأهداف: على عكس طرق النواة الكمومية السابقة التي تعتمد غالبًا على ضغط PCA أو الانحدار أحادي الهدف، تقوم هذه الـ HQNN بالتعلم الخاضع للإشراف من الطرف إلى الطرف على متجه الميزات الكامل للتنبؤ بعدة مقاييس للجهاز المترابطة في وقت واحد.
• توجيه التصميم: تؤسس الدراسة ارتباطات بين خصائص الدارة (القدرة التعبيرية، عدد المعلمات، العمق، نوع المتشابك) ودقة التنبؤ، مما يوفر إطارًا لاختيار النماذج (ansatzes) لمشكلات البيانات الصغيرة.

النتائج
تم تحديد الـ HQNN المختارة، وهي الدارة (13, 5) عند $L=2$ (تكوين دائرة مختلطة تستخدم القالب 13 في المستوى 1 والقالب 5 في المستوى 2)، وتم اختبارها مقابل النماذج الكلاسيكية المرجعية بما في ذلك ANN وPLS وDecision Trees وXGBoost وغيرها.

• تحسن الأداء: خفضت الـ HQNN إجمالي جذر متوسط مربع الخطأ الطبيعي (nRMSE) بنسبة 24.4% مقارنة بأفضل نموذج كلاسيكي مرجعي (ANN).
• التحسينات الخاصة بكل هدف:
  • $V_{th,fwd}$ RMSE: 0.297 V $\to$ 0.270 V
  • $V_{th,rev}$ RMSE: 0.278 V $\to$ 0.263 V
  • $\Delta V_{th}$ RMSE: 0.049 V $\to$ 0.045 V
  • SS RMSE: 22.22 mV/dec $\to$ 19.87 mV/dec
  • $I_{off}$ RMSE: $5.75 \times 10^{-8}$ A $\to$ $4.35 \times 10^{-8}$ A (انخفاض بنسبة ~24%)
  • $I_{on}$ RMSE ظل تنافسيًا (0.053 A مقابل 0.056 A لـ ANN).
• رؤى الاستبعاد (Ablation Insights):
  • القدرة التعبيرية: ارتبطت الدقة سلبًا بالقدرة التعبيرية ($D_{KL}$). الدارات عالية التعبيرية (التي تشبه توزيع Haar-random) كان أداؤها أسوأ، ويرجع ذلك على الأرجاء إلى مشكلة "السهول الضحلة" (barren plateaus) في أنظمة البيانات الصغيرة.
  • المعلمات والعمق: ارتبطت الدقة إيجابيًا مع عدد المعلمات، وعمق الدارة، وعدد بوابات الكيوبت الثنائية.
  • المتشابكات: تفوقت بوابات الدوران المحكومة المحددة (CRZ, CRX) على الدارات القائمة على CNOT الثابتة.
• المتانة تجاه الضجيج: أظهرت دراسة الضجيج لإزالة التحلل (depolarizing noise) على دائرة ممثلة (النموذج 13, $L=4$) أن النموذج يحافظ على $R^2$ إجمالي قدره 0.905 تحت الضجيج الخفيف ($p=0.005$). وبينما كان التنبؤ بـ $I_{off}$ حساسًا للضجيج، ظلت الأهداف المتعلقة بالجهد مستقرة، مما يشير إلى أن المشفر الكلاسيكي يحتفظ بالقدرة التنبؤية حتى لو تدهورت التمثيلية الكمومية.

الأهمية والادعاءات
يزعم البحث أنه يدفع بنموذج التعلم الآلي الكمومي (QML) في نمذجة أشباه الموصلات من انحدار النواة الكمومية أحادي الهدف نحو نمذجة الأجهزة متعددة الخصائص لترانزستورات AlGaN/GaN MIS-HEMT ذات البوابة الغائرة. ويؤكد المؤلفون أن النماذج الهجينة المتغيرة (variational hybrid quantum models) يمكنها تحسين التعميم على مجموعات البيانات التجريبية الصغيرة والمشوبة بالضجيج حيث يكون التعلم الآلي الكلاسيكي مقيدًا.

ويشير هذا العمل إلى أن نماذج HQNN المماثلة يمكن تدريبها أو نشرها على الأجهزة الكمومية المتاحة حاليًا (تحديدًا سجلات الـ 4 كيوبت) نظرًا لما أظهرته من متانة تجاه ضجيج إزالة التحلل الخفيف. وتوفر هذه الدراسة إطارًا لتصميم الدارات لتحسين عمليات أشباه الموصلات بمساعدة الكم في المستقبل، مع التأكيد على أن اختيار "الأنزات" (ansatz selection) المتحكم فيه أمر بالغ الأهمية لتحقيق المزايا الكمومية في المهام الهندسية العملية المعتمدة على البيانات المحدودة.