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

Dit artikel stelt een hybride klassiek-kwantum neurale netwerk (HQNN) voor dat klassieke basismodellen aanzienlijk overtreft bij het optimaliseren van zes elektrische kenmerken van recessed-gate AlGaN/GaN MIS-HEMTs door gebruik te maken van experimentele data, terwijl het aantoont dat circuits diepte, het aantal parameters en specifieke verstrengelingsstrategieën cruciaal zijn voor nauwkeurigheid en haalbaarheid op korte termijn hardware.

De kern

Stel je voor dat je probeert de perfecte taart te bakken, maar in plaats van bloem en suiker zijn je ingrediënten onzichtbare microscopische processen zoals "plasmabehandeling" en "chemische reiniging". Je wilt dat de taart precies goed smaakt (de juiste elektrische eigenschappen heeft), maar elke keer als je er eentje bakt, kost het een fortuin en doet de oven zich net iets anders voor.

Dit is de uitdaging waar ingenieurs mee geconfronteerd worden bij het maken van GaN-transistors (kleine vermogensschakelaars die in elektronica worden gebruikt). Ze moeten het perfecte recept vinden, maar ze kunnen het zich niet veroorloven om duizenden taarten te bakken om elke variatie te testen.

Hier is hoe de auteurs van dit artikel dat probleem oplosten met een mix van oude-school wiskunde en nieuwe-fantastische "quantum"-magie.

1. Het Probleem: De Duurde, Ruwe Keuken

In de echte wereld is het maken van deze transistors rommelig. Kleine veranderingen in hoe ze worden gereinigd of verwarmd, veroorzaken grote veranderingen in hoe ze werken.

• Het Data-probleem: Je kunt dit niet gewoon perfect simuleren op een computer omdat de echte wereld te chaotisch is. Je moet de chips daadwerkelijk bouwen om data te krijgen.
• De Kosten: Ze hadden alleen data van 468 chips. In de wereld van Kunstmatige Intelligentie (KI) is dat een piepklein, bijna niet-bestaand dataset. Normaal gesproken heeft KI miljoenen voorbeelden nodig om goed te leren. Met zo weinig voorbeelden neigen standaard KI-modellen ertoe om het ruis te "onthouden" in plaats van de werkelijke regels te leren, wat leidt tot slechte voorspellingen.

2. De Oplossing: Een Hybride "Quantum-Klassieke" Chef

Het team bouwde een nieuw type KI genaamd een Hybride Klassiek-Quantum Neuraal Netwerk (HQNN). Denk hierbij aan een kookteam van twee personen:

• De Klassieke Chef (De Mens): Dit deel van de KI is als een standaardcomputer. Het neemt de rommelige receptinstructies (24 verschillende variabelen zoals temperatuur, tijd en chemische typen) en ordent ze tot een eenvoudige, makkelijk te begrijpen samenvatting.
• De Quantum Sous-chef (De Magie): Dit is het nieuwe deel. Het neemt die samenvatting en voert deze uit via een "quantumcircuit". Stel je dit voor als een magische kruidenmolen die smaken kan mengen op manieren waar een normale molen niet toe in staat is. Het gebruikt de vreemde regels van de quantumfysica (zoals superpositie en verstrengeling) om verborgen patronen in de data te vinden die de menselijke chef over het hoofd zag.

3. Hoe Ze Het Testten

Ze gokten niet zomaar welke "quantum-kruidenmolen" het beste was. Ze bouwden 19 verschillende ontwerpen (sjablonen) en testten ze allemaal, net als het proberen van verschillende vormen van koekjesvormpjes om te zien welke de beste koekjes maakt.

Ze ontdekten dat:

• Meer complexiteit helpt (tot op zekere hoogte): Circuits met meer "knoppen" om te draaien (parameters) en meer lagen mengen (diepte) werkten beter.
• De "Goudlokje"-zone: Als het quantumcircuit te complex was (te willekeurig), werd het eigenlijk slechter. Het is alsof je cakebeslag probeert te mengen met een blender ingesteld op "maximaal chaos" – je krijgt gewoon een puinhoop. De beste circuits waren complex genoeg om patronen te vinden, maar niet zo chaotisch dat ze verdwaalden.
• Bessere Gereedschappen: Circuits die "instelbare" menggereedschappen (geparametriseerde poorten) gebruikten, werkten beter dan die met "vaste" gereedschappen (statische poorten).

4. De Resultaten: Een Beter Recept

Toen ze hun nieuwe Hybride Chef vergeleken met een standaard KI (de "Klassieke Baseline"), won de Hybride Chef.

• De Score: Het verlaagde de totale fout met 24,4%.
• De Specifieke Overwinningen:
  • Het voorspelde het "aan/uit"-schakelgedrag veel beter.
  • Het was vooral goed in het voorspellen van de lekstroom (hoeveel elektriciteit lekt wanneer de schakelaar uit staat). Dit is meestal het moeilijkst te voorspellen omdat het zo gevoelig is voor kleine fabricagefouten.
  • Het voorspelde de "hysterese" (hoe het geheugen van de schakelaar verandert) nauwkeuriger.

5. De "Ruis"-test: Zal Het Werken op Echte Quantumcomputers?

Echte quantumcomputers vandaag de dag zijn "ruisig" – ze maken fouten, net als een radio met statische storing. Het team simuleerde deze ruis om te zien of hun model zou breken.

• De Bevinding: Zelfs met een gemiddelde hoeveelheid "statische storing" (ruis) werkte het model nog steeds zeer goed. Het begon pas te worstelen wanneer de ruis extreem hoog was.
• De Conclusie: Dit suggereert dat we geen perfecte, futuristische quantumcomputer nodig hebben om deze methode te gebruiken. We zouden dit potentieel kunnen draaien op de kleine, onvolmaakte quantumcomputers die nu beschikbaar zijn.

Samenvatting

Het artikel laat zien dat ingenieurs, door een standaardcomputer te combineren met een kleine, gespecialiseerde quantumcircuit, de "geheime recepten" kunnen leren voor het maken van betere transistors, zelfs wanneer ze slechts een klein beetje dure data hebben. Het is alsof je een magische lens gebruikt om patronen in een wazige foto te zien die een normaal oog zou missen, waardoor ze sneller en goedkoper betere elektronica kunnen bouwen.

Technische samenvatting

Technische Samenvatting: Hybride Klassiek-Quantum Neurale Netwerken voor Multi-kenmerk Co-Optimalisatie van Geïncarneerde-Gate AlGaN/GaN MIS-HEMTs

Probleemstelling
Het optimaliseren van geïncarneerde-gate AlGaN/GaN Metal-Isolator-Semiconductor High Electron Mobility Transistoren (MIS-HEMTs) vereist nauwkeurige modellering van meerdere gekoppelde elektrische kenmerken. Deze apparaten zijn gevoelig voor procesinduced variabiliteit (bijv. incarneerdiepte, diëlektrische samenstelling, oppervlaktebehandeling) die analytische modellen niet kunnen vastleggen zonder in te boeten aan nauwkeurigheid of efficiëntie. Hoewel Machine Learning (ML) een standaard is geworden voor halfgeleidermodellering, kampen klassieke benaderingen vaak met experimentele datasets. Deze datasets zijn kostbaar om te genereren, inherent klein en ruisig door fabricage-stochasticiteit. Dichte klassieke netwerken vertonen vaak overfitting op dergelijke data of falen in het vastleggen van complexe, niet-lineaire correlaties tussen procesvariabelen en meerdere gekoppelde apparaatdoelen (drempelspanning, hysterese, subdrempel-swing, aan/uit-stromen) gelijktijdig.

Methodologie
De auteurs stellen een Hybride Klassiek-Quantum Neuraal Netwerk (HQNN) raamwerk voor dat is ontworpen voor gezamenlijke optimalisatie van zes elektrische doelen vanuit een 24-dimensionale fabricage/procesvector. De methodologie omvat:

1. Dataset: Het onderzoek maakt gebruik van 468 experimenteel gefabriceerde apparaten verspreid over 17 distincte procesverdelingen. De inputvector omvat continue variabelen (wafercoördinaten, geometrie) en binaire one-hot gecodeerde categorische proceskeuzes (reiniging, plasma-behandeling, diëlektrische depositie, temperatuurbehandeling). Er worden zes doelen voorspeld: voorwaartse/terugwaartse drempelspanningen ($V_{th,fwd}$, $V_{th,rev}$), hysterese ($\Delta V_{th}$), subdrempel-swing (SS), aan-stroom ($I_{on}$) en uit-stroom ($I_{off}$).
2. Architectuur: De HQNN hanteert een "strict-bottleneck"-ontwerp waarbij een klassieke Multi-Layer Perceptron (MLP) encoder de 24-dimensionale input comprimeert tot een 4-dimensionale latente code. Deze code wordt gemapt naar rotatiehoeken voor een 4-qubit Parameterized Quantum Circuit (PQC). Het PQC verwerkt de toestand via variationale lagen, en een 3-as Pauli-meting (X, Y, Z) levert een 12-dimensionaal feature-vector op, dat lineair wordt gemapt naar de zes doelen.
3. Circuitontwerp & Screening: De auteurs screenden systematisch een familie van 19 quantumcircuittemplates afgeleid van Sim et al. [18], variërend in connectiviteit (naaste-buren, all-to-all), verstrengelende poorttypes (CNOT, CRZ, CRX) en circuitdiepte ($L$). Ze evalueerden zowel "single-template" (herhaling van één blok) als "sequentiële gemengde-circuit" (stapelen van verschillende blokken) ansatzes.
4. Training: Het model wordt getraind met een gewogen multi-doel Mean Squared Error (MSE) verlies. Gradienten voor de quantumparameters worden berekend via de parameter-shift regel, geïntegreerd met klassieke backpropagation door de encoder en readout-lagen met behulp van CUDA-Q en PyTorch.

Belangrijkste Bijdragen

• Systematische Circuit Screening: Het werk biedt een grootschalige ablatiestudie van quantumcircuittemplates voor halfgeleiderregressie, waarbij specifieke architecturale eigenschappen worden geïdentificeerd die correleren met prestaties.
• Multi-Doel Co-Optimalisatie: In tegenstelling tot eerdere quantum-kernmethoden die vaak vertrouwen op PCA-compressie of single-doel regressie, voert deze HQNN end-to-end supervised learning uit op het volledige feature-vector om meerdere gekoppelde apparaatmetrieken gelijktijdig te voorspellen.
• Ontwerprichtlijnen: Het onderzoek stelt correlaties vast tussen circuiteigenschappen (expressibiliteit, parameteraantal, diepte, verstrengelaarstype) en voorspellingsnauwkeurigheid, en biedt een raamwerk voor het selecteren van ansatzes voor kleine-data problemen.

Resultaten
De geselecteerde HQNN, geïdentificeerd als Circuit (13, 5) bij $L=2$ (een gemengde-circuit configuratie die template 13 gebruikt op niveau 1 en template 5 op niveau 2), werd gebenchmarkt tegen klassieke baselines waaronder ANN, PLS, Decision Trees, XGBoost en anderen.

• Prestatiewinst: De HQNN verlaagde de totale genormaliseerde Root Mean Square Error (nRMSE) met 24,4% vergeleken met de beste klassieke baseline (ANN).
• Doel-specifieke Verbeteringen:
  • $V_{th,fwd}$ 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 (een ~24% reductie)
  • $I_{on}$ RMSE bleef concurrerend (0,053 A versus 0,056 A voor ANN).
• Ablatie-inzichten:
  • Expressibiliteit: Nauwkeurigheid correleerde negatief met expressibiliteit ($D_{KL}$). Zeer expressieve (Haar-random-achtige) circuits presteerden slechter, waarschijnlijk vanwege barre plateaus in kleine-data regimes.
  • Parameters & Diepte: Nauwkeurigheid correleerde positief met parameteraantal, circuitdiepte en het aantal twee-qubit poorten.
  • Verstrengelaars: Geparametriseerde gecontroleerde-rotatie poorten (CRZ, CRX) presteerden beter dan statische CNOT-gebaseerde circuits.
• Ruisrobustheid: Een depolariserende ruisstudie op een representatief circuit (Template 13, $L=4$) toonde aan dat het model een totale $R^2$ van 0,905 behoudt onder lichte ruis ($p=0,005$). Hoewel de $I_{off}$-voorspelling gevoelig was voor ruis, bleven spanningsgerelateerde doelen stabiel, wat suggereert dat de klassieke encoder voorspellende kracht behoudt zelfs als de quantumrepresentatie degradeert.

Betekenis en Claims
Het artikel claimt Quantum Machine Learning (QML) in halfgeleidermodellering te bevorderen van single-doel quantum-kernregressie naar multi-kenmerk apparaatmodellering voor geïncarneerde-gate GaN MIS-HEMTs. De auteurs stellen dat variationale hybride quantummodellen generalisatie kunnen verbeteren op kleine, ruisige experimentele datasets waar klassieke ML beperkt is.

Het werk suggereert dat vergelijkbare HQNN's trainbaar of inzetbaar zijn op kortetermijn quantumhardware (specifiek 4-qubit registers) gezien hun aangetoonde robuustheid tegen lichte depolariserende ruis. Het onderzoek biedt een circuitontwerp-raamwerk voor toekomstige QML-ondersteunde halfgeleiderprocesoptimalisatie, met de nadruk dat gecontroleerde ansatz-selectie cruciaal is voor het realiseren van quantumvoordelen in praktische, data-beperkte engineeringtaken.