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

본 논문은 실험 데이터를 활용하여 함몰 게이트 AlGaN/GaN MIS-HEMT 의 여섯 가지 전기적 특성을 최적화하는 데 있어 기존 고전적 기준을 크게 능가하는 하이브리드 고전-양자 신경망 (HQNN) 을 제안하며, 동시에 회로 깊이, 매개변수 수, 그리고 특정 얽힘 전략이 정확성과 근미래 하드웨어 실현 가능성에 결정적으로 중요함을 입증한다.

핵심

완벽한 케이크를 굽고자 한다고 상상해 보세요. 하지만 밀가루와 설탕 대신 '플라즈마 처리'나 '화학적 세정' 같은 보이지 않는 미세한 공정들이 재료입니다. 케이크의 맛이 적절하기를 원합니다 (즉, 올바른 전기적 특성을 가지기를 바랍니다). 하지만 매번 케이크를 구울 때마다 비용이 천문학적으로 들고, 오븐은 매번 조금씩 다르게 작동합니다.

이것은 GaN 트랜지스터(전자기기에 사용되는 초소형 전력 스위치) 를 만드는 엔지니어들이 직면한 과제입니다. 그들은 완벽한 레시피를 찾아야 하지만, 모든 변형을 테스트하기 위해 수천 개의 케이크를 구울 여유는 없습니다.

이 논문 저자들이 고전적인 수학과 새로운 '양자' 마법의 조합으로 그 문제를 어떻게 해결했는지 살펴보겠습니다.

1. 문제: 비싸고 시끄러운 주방

실제 세계에서 이러한 트랜지스터를 만드는 것은 messy 합니다. 세정이나 가열 방식의 미세한 변화가 작동 방식에 큰 변화를 일으킵니다.

• 데이터 문제: 현실 세계가 너무 혼란스러워서 컴퓨터로 완벽하게 시뮬레이션할 수 없습니다. 데이터를 얻으려면 실제로 칩을 제작해야 합니다.
• 비용: 그들은 468 개의 칩에서 얻은 데이터만 가지고 있었습니다. 인공지능 (AI) 의 세계에서는 이는 거의 존재하지 않는다고 할 만큼 작은 데이터셋입니다. 보통 AI 는 잘 학습하기 위해 수백만 개의 예시가 필요합니다. 예시가 너무 적으면 표준 AI 모델은 실제 규칙을 학습하기보다 노이즈를 '암기'하는 경향이 있어 나쁜 예측을 하게 됩니다.

2. 해결책: 하이브리드 '양자 - 고전' 셰프

이 팀은 **하이브리드 고전 - 양자 신경망 **(HQNN)이라는 새로운 유형의 AI 를 구축했습니다. 이를 두 명의 요리사로 구성된 팀이라고 상상해 보세요.

• **고전 셰프 **(인간) 이 AI 부분은 표준 컴퓨터와 같습니다. messy 한 레시피 지침 (온도, 시간, 화학 물질 종류 등 24 가지 다른 변수) 을 받아 단순하고 이해하기 쉬운 요약으로 정리합니다.
• **양자 수석 셰프 **(마법) 이것이 새로운 부분입니다. 그 요약을 받아 '양자 회로'를 통과시킵니다. 이를 마치 일반 그라인더로는 할 수 없는 방식으로 맛을 섞을 수 있는 마법 같은 향신료 그라인더라고 상상해 보세요. 이는 중첩과 얽힘과 같은 양자 물리학의 기이한 규칙을 사용하여 인간 셰프가 놓친 데이터의 숨겨진 패턴을 찾아냅니다.

3. 테스트 방법

그들은 어떤 '양자 향신료 그라인더'가 가장 좋은지 단순히 추측하지 않았습니다. 19 가지 다른 디자인(템플릿)을 구축하고 모두 테스트했습니다. 마치 어떤 쿠키 커터 모양이 가장 좋은 쿠키를 만드는지 보기 위해 다양한 모양을 시도하는 것과 같습니다.

그들은 다음과 같은 사실을 발견했습니다.

• **복잡성이 높을수록 도움이 됩니다 **(일정 범위까지) '손잡이' (매개변수) 를 돌릴 수 있는 양이 많고, 혼합하는 층 (깊이) 이 많은 회로가 더 잘 작동했습니다.
• '골디락스' 구역: 양자 회로가 너무 복잡하면 (너무 무작위적이면) 실제로 성능이 떨어집니다. 마치 믹서를 '최대 혼돈'으로 설정하여 케이크 반죽을 섞으려는 것과 같습니다. 그냥 엉망이 될 뿐입니다. 가장 좋은 회로는 패턴을 찾을 만큼 복잡하지만, 길을 잃을 정도로 혼란스럽지 않은 수준이었습니다.
• 더 나은 도구: '조정 가능한' 혼합 도구 (매개변수화 게이트) 를 사용한 회로는 '고정된' 도구 (정적 게이트) 를 사용한 회로보다 더 잘 작동했습니다.

4. 결과: 더 나은 레시피

그들이 새로운 하이브리드 셰프를 표준 AI('고전 기준선') 와 비교했을 때, 하이브리드 셰프가 승리했습니다.

• 점수: 전체 오차를 24.4% 줄였습니다.
• 구체적인 성과:
  • '온/오프' 스위치 동작을 훨씬 더 잘 예측했습니다.
  • 특히 누전(스위치가 꺼졌을 때 얼마나 많은 전기가 새어나가는지) 예측에 탁월했습니다. 이는 미세한 제조 오류에 매우 민감하기 때문에 보통 예측하기 가장 어려운 부분입니다.
  • '히스테리시스'(스위치의 기억이 어떻게 변하는지) 를 더 정확하게 예측했습니다.

5. '노이즈' 테스트: 실제 양자 컴퓨터에서 작동할까요?

오늘날의 실제 양자 컴퓨터는 '노이즈'가 있습니다. 정지가 있는 라디오처럼 실수를 합니다. 팀은 모델이 깨질지 확인하기 위해 이 노이즈를 시뮬레이션했습니다.

• 발견: 중간 정도의 '정지'(노이즈) 가 있더라도 모델은 여전히 매우 잘 작동했습니다. 노이즈가 극도로 높을 때만 어려움을 겪기 시작했습니다.
• 교훈: 이는 이 방법을 사용하기 위해 완벽하고 미래지향적인 양자 컴퓨터가 필요하지 않음을 시사합니다. 우리는 지금 당장 이용 가능한 작고 불완전한 양자 컴퓨터에서 이를 실행할 수 있을지도 모릅니다.

요약

이 논문은 표준 컴퓨터와 작은 전용 양자 회로를 결합함으로써 엔지니어들이 비싼 데이터가 아주 조금만 있더라도 더 나은 트랜지스터를 만드는 '비밀 레시피'를 배울 수 있음을 보여줍니다. 이는 마치 흐릿한 사진에서 일반 눈으로는 놓칠 패턴을 볼 수 있게 하는 마법의 렌즈를 사용하는 것과 같아, 더 빠르고 저렴하게 더 나은 전자제품을 구축하는 데 도움을 줍니다.

기술 요약

기술 요약: 함몰 게이트 AlGaN/GaN MIS-HEMT 의 다중 특성 공동 최적화를 위한 하이브리드 고전 - 양자 신경망

문제 제기
함몰 게이트 AlGaN/GaN 금속 - 절연체 - 반도체 고전자 이동도 트랜지스터 (MIS-HEMT) 를 최적화하려면 여러 개의 결합된 전기적 특성을 정확하게 모델링해야 합니다. 이러한 소자는 함몰 깊이, 유전체 조성, 표면 처리와 같은 공정 유발 변동성에 민감하여, 정확도나 효율성을 희생하지 않고는 분석 모델로 포착할 수 없습니다. 머신러닝 (ML) 이 반도체 모델링의 표준이 되었지만, 고전적 접근법은 실험 데이터셋을 처리하는 데 종종 어려움을 겪습니다. 이러한 데이터셋은 생성 비용이 많이 들고, 본질적으로 크기가 작으며, 제조 과정의 확률적 특성으로 인해 노이즈가 많습니다. 밀집된 고전적 신경망은 이러한 데이터에서 자주 과적합되거나, 공정 변수와 임계 전압, 히스테리시스, 서브스레드 스윙, 온/오프 전류 등 여러 개의 결합된 소자 목표 간의 복잡하고 비선형적인 상관관계를 동시에 포착하지 못합니다.

방법론
저자들은 24 차원 제조/공정 벡터로부터 6 개의 전기적 목표를 공동 최적화하도록 설계된 하이브리드 고전 - 양자 신경망 (HQNN) 프레임워크를 제안합니다. 방법론은 다음과 같습니다:

1. 데이터셋: 본 연구는 17 개의 서로 다른 공정 분할에 걸쳐 실험적으로 제작된 468 개의 소자를 활용합니다. 입력 벡터는 웨이퍼 좌표, 기하학적 구조와 같은 연속 변수와 세정, 플라즈마 처리, 유전체 증착, 어닐링과 같은 이진 원-핫 인코딩 범주형 공정 선택을 포함합니다. 예측되는 6 개의 목표는 순방향/역방향 임계 전압 ($V_{th,fwd}$, $V_{th,rev}$), 히스테리시스 ($\Delta V_{th}$), 서브스레드 스윙 (SS), 온 전류 ($I_{on}$), 그리고 오프 전류 ($I_{off}$) 입니다.
2. 아키텍처: HQNN 은 24 차원 입력을 4 차원 잠재 코드로 압축하는 고전적 다층 퍼셉트론 (MLP) 인코더를 사용하는 "엄격한 병목 (strict-bottleneck)" 설계를 채택합니다. 이 코드는 4 큐비트 매개변수 양자 회로 (PQC) 를 위한 회전 각도로 매핑됩니다. PQC 는 변분 계층을 통해 상태를 처리하며, 3 축 파울리 측정 (X, Y, Z) 은 12 차원 특징 벡터를 생성하고, 이는 선형적으로 6 개의 목표로 매핑됩니다.
3. 회로 설계 및 선별: 저자들은 Sim 등 [18] 에서 유래한 19 개의 양자 회로 템플릿 군을 체계적으로 선별했는데, 연결성 (최접근 이웃, 모든 - 대 - 모든), 얽힘 게이트 유형 (CNOT, CRZ, CRX), 그리고 회로 깊이 ($L$) 를 변화시켰습니다. 그들은 "단일 템플릿"(하나의 블록 반복) 과 "순차적 혼합 회로"(서로 다른 블록 적층) 안사츠를 모두 평가했습니다.
4. 훈련: 모델은 가중 다중 목표 평균 제곱 오차 (MSE) 손실 함수를 사용하여 훈련됩니다. 양자 매개변수에 대한 기울기는 파라미터 시프트 규칙을 통해 계산되며, CUDA-Q 와 PyTorch 를 사용하여 인코더 및 판독 계층을 통한 고전적 역전파와 통합됩니다.

주요 기여

• 체계적인 회로 선별: 본 작업은 반도체 회귀를 위한 양자 회로 템플릿에 대한 대규모 절단 연구를 제공하여 성능과 상관관계가 있는 특정 아키텍처 특성을 식별합니다.
• 다중 목표 공동 최적화: 종래의 PCA 압축이나 단일 목표 회귀에 의존하는 양자 커널 방법과 달리, 이 HQNN 은 전체 특징 벡터에 대한 엔드 - 투 - 엔드 지도 학습을 수행하여 여러 개의 결합된 소자 지표를 동시에 예측합니다.
• 설계 지침: 본 연구는 회로 특성 (표현성, 매개변수 수, 깊이, 얽힘 게이트 유형) 과 예측 정확도 간의 상관관계를 확립하여, 소량 데이터 문제에 대한 안사츠 선택을 위한 프레임워크를 제공합니다.

결과
선택된 HQNN 은 **$L=2$인 회로 (13, 5)**로 식별되었으며 (1 단계에서 템플릿 13 을, 2 단계에서 템플릿 5 를 사용하는 혼합 회로 구성), ANN, PLS, 의사결정나무, XGBoost 등을 포함한 고전적 기준선과 비교 평가되었습니다.

• 성능 향상: HQNN 은 최상의 고전적 기준선 (ANN) 대비 전체 정규화된 평균 제곱근 오차 (nRMSE) 를 24.4% 감소시켰습니다.
• 목표별 개선:
  • $V_{th,fwd}$ 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 (약 24% 감소)
  • $I_{on}$ RMSE 는 경쟁력 있는 수준을 유지했습니다 (ANN 의 0.056 A 대비 0.053 A).
• 절단 통찰:
  • 표현성: 정확도는 표현성 ($D_{KL}$) 과 음의 상관관계를 보였습니다. 매우 표현력이 풍부한 (Haar 무작위와 유사한) 회로는 소량 데이터 영역에서의 barren plateaus 로 인해 더 나쁜 성능을 보였습니다.
  • 매개변수 및 깊이: 정확도는 매개변수 수, 회로 깊이, 그리고 2 큐비트 게이트 수와 양의 상관관계를 보였습니다.
  • 얽힘 게이트: 매개변수화된 제어 회전 게이트 (CRZ, CRX) 는 정적 CNOT 기반 회로보다 우수한 성능을 발휘했습니다.
• 노이즈 강건성: 대표 회로 (템플릿 13, $L=4$) 에 대한 탈분극 노이즈 연구는 모델이 경미한 노이즈 ($p=0.005$) 하에서도 전체 $R^2$가 0.905 를 유지함을 보여주었습니다. $I_{off}$ 예측은 노이즈에 민감했으나, 전압 관련 목표는 안정적으로 유지되어 양자 표현이 저하되더라도 고전적 인코더가 예측 능력을 유지함을 시사합니다.

의의 및 주장
본 논문은 반도체 모델링에서 단일 목표 양자 커널 회귀에서 함몰 게이트 GaN MIS-HEMT 를 위한 다중 특성 소자 모델링으로의 양자 머신러닝 (QML) 발전을 주장합니다. 저자들은 변분 하이브리드 양자 모델이 고전적 ML 이 제약받는 작고 노이즈가 많은 실험 데이터셋에서 일반화를 개선할 수 있다고 주장합니다.

본 작업은 입증된 경미한 탈분극 노이즈에 대한 강건성을 고려할 때, 유사한 HQNN 들이 단기 양자 하드웨어(특히 4 큐비트 레지스터) 에서 훈련 가능하거나 배포 가능할 수 있음을 시사합니다. 본 연구는 제어된 안사츠 선택이 실제적이고 데이터 제약이 있는 엔지니어링 작업에서 양자 우위를 실현하는 데 중요함을 강조하며, 향후 QML 지원 반도체 공정 최적화를 위한 회로 설계 프레임워크를 제공합니다.