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

本文提出了一种混合经典 - 量子神经网络（HQNN），该网络利用实验数据在优化 recessed-gate AlGaN/GaN MIS-HEMT 的六项电学特性方面显著优于经典基线，同时证明了电路深度、参数数量以及特定的纠缠策略对于精度和近期硬件可行性至关重要。

要点

想象一下，你正试图烤制完美的蛋糕，但你的原料不是面粉和糖，而是“等离子体处理”和“化学清洗”等无形的微观工艺过程。你希望蛋糕口感恰到好处（即具备正确的电学特性），但每次烘烤都耗资巨大，而且烤箱每次的表现都略有不同。

这正是制造氮化镓（GaN）晶体管（电子器件中使用的微型功率开关）的工程师们所面临的挑战。他们需要找到完美的配方，却无法承担烘烤成千上万个蛋糕来测试每一种变体的成本。

以下是本文作者如何利用传统数学与新颖的“量子”魔法相结合来解决这一问题的。

1. 问题：昂贵且嘈杂的厨房

在现实世界中，制造这些晶体管充满了混乱。清洗或加热过程中的微小变化会导致器件性能发生巨大改变。

• 数据难题：你无法在计算机上完美地模拟这一过程，因为现实世界过于混乱。你必须实际制造芯片才能获取数据。
• 成本：他们仅拥有来自468 个芯片的数据。在人工智能（AI）领域，这是一个极小、几乎可以忽略不计的数据集。通常，AI 需要数百万个示例才能有效学习。面对如此少的样本，标准 AI 模型往往会“死记硬背”噪声而非学习实际规律，从而导致预测结果糟糕。

2. 解决方案：混合“量子 - 经典”厨师团队

该团队构建了一种新型 AI，称为混合经典 - 量子神经网络（HQNN）。不妨将其想象为一个双人烹饪团队：

• 经典主厨（人类）：这部分 AI 如同标准计算机。它接收杂乱的食谱指令（24 个不同变量，如温度、时间和化学试剂类型），并将它们整理成简单易懂的摘要。
• 量子副厨（魔法）：这是新颖的部分。它接收上述摘要，并将其送入“量子电路”。想象这是一个神奇的香料研磨机，能够以普通研磨机无法实现的方式混合风味。它利用量子物理的奇特规则（如叠加态和纠缠态），在数据中发现人类主厨遗漏的隐藏模式。

3. 他们如何测试

他们并非凭空猜测哪种“量子香料研磨机”最佳。他们构建了19 种不同的设计（模板）并全部进行了测试，就像尝试不同形状的饼干模具，看看哪种能做出最好的饼干。

他们发现：

• 适度增加复杂度有益：拥有更多可调节“旋钮”（参数）和更多混合层（深度）的电路表现更好。
• “金发姑娘”区域：如果量子电路过于复杂（过于随机），表现反而变差。这就像将搅拌机调至“最大混乱”模式来搅拌蛋糕面糊——结果只会是一团糟。最佳的电路复杂度足以发现模式，但又不至于混乱到迷失方向。
• 更优的工具：使用“可调节”混合工具（参数化门）的电路，比使用“固定”工具（静态门）的电路表现更佳。

4. 结果：更优的配方

当他们将新的混合厨师与标准 AI（“经典基线”）进行比较时，混合厨师胜出。

• 得分：它将总体误差降低了24.4%。
• 具体优势：
  • 它更准确地预测了“开/关”开关行为。
  • 它在预测漏电流（开关关闭时泄漏的电量）方面表现尤为出色。这通常是最难预测的，因为它对微小的制造误差极其敏感。
  • 它更准确地预测了“迟滞”（开关记忆的变化）。

5. “噪声”测试：它在真实量子计算机上能运行吗？

当今的真实量子计算机是“嘈杂”的——它们会出错，就像带有静电干扰的收音机。该团队模拟了这种噪声，以观察其模型是否会崩溃。

• 发现：即使存在中等程度的“静电”（噪声），该模型依然表现优异。只有当噪声极高时，它才开始遇到困难。
• 启示：这表明我们不需要完美、未来的量子计算机就能使用这种方法。我们完全有可能在当下可用的那些小型、不完美的量子计算机上运行此方法。

总结

该论文表明，通过将标准计算机与小型专用量子电路相结合，工程师们能够学会制造更优质晶体管的“秘密配方”，即使他们仅拥有少量昂贵的数据。这就像使用魔法透镜，在普通肉眼会忽略的模糊照片中看清模式，从而帮助他们更快、更廉价地构建更优质的电子产品。

技术摘要

技术摘要：用于 recessed-gate AlGaN/GaN MIS-HEMTs 多特性协同优化的混合经典 - 量子神经网络

问题陈述
优化 recessed-gate AlGaN/GaN 金属 - 绝缘体 - 半导体高电子迁移率晶体管（MIS-HEMTs）需要对多个耦合电学特性进行精确建模。这些器件对工艺诱导的变异性（例如，沟槽深度、介电层成分、表面处理）非常敏感，而解析模型若要不牺牲精度或效率，则无法捕捉这些变异。尽管机器学习（ML）已成为半导体建模的标准，但经典方法在处理实验数据集时往往力不从心。这些数据集生成成本高昂、规模固有较小，且由于制造随机性而充满噪声。稠密经典网络在此类数据上经常发生过拟合，或无法同时捕捉工艺变量与多个耦合器件目标（阈值电压、滞后、亚阈值摆幅、导通/关断电流）之间复杂的非线性关联。

方法论
作者提出了一种混合经典 - 量子神经网络（HQNN）框架，旨在对来自 24 维制造/工艺向量的六个电学目标进行联合优化。该方法包括：

1. 数据集：本研究利用了分布在 17 个不同工艺分割中的 468 个实验制造器件。输入向量包含连续变量（晶圆坐标、几何尺寸）和二进制独热编码的分类工艺选择（清洗、等离子体处理、介电层沉积、退火）。预测的六个目标为：正向/反向阈值电压（$V_{th,fwd}$, $V_{th,rev}$）、滞后（$\Delta V_{th}$）、亚阈值摆幅（SS）、导通电流（$I_{on}$）和关断电流（$I_{off}$）。
2. 架构：HQNN 采用“严格瓶颈”设计，其中经典多层感知机（MLP）编码器将 24 维输入压缩为 4 维潜在代码。该代码被映射为 4 量子比特参数化量子电路（PQC）的旋转角度。PQC 通过变分层处理状态，3 轴泡利测量（X, Y, Z）产生 12 维特征向量，该向量被线性映射到六个目标。
3. 电路设计与筛选：作者系统地筛选了源自 Sim 等人 [18] 的 19 种量子电路模板家族，变化了连接性（最近邻、全对全）、纠缠门类型（CNOT, CRZ, CRX）和电路深度（$L$）。他们评估了“单模板”（重复一个块）和“顺序混合电路”（堆叠不同块）的假设（ansatzes）。
4. 训练：模型使用加权多目标均方误差（MSE）损失进行训练。量子参数的梯度通过参数移位规则计算，并结合 CUDA-Q 和 PyTorch 通过编码器和读出层集成经典反向传播。

主要贡献

• 系统性电路筛选：该工作提供了用于半导体回归的量子电路模板的大规模消融研究，确定了与性能相关的具体架构属性。
• 多目标协同优化：与以往常依赖主成分分析（PCA）压缩或单目标回归的量子核方法不同，该 HQNN 在完整特征向量上执行端到端监督学习，以同时预测多个耦合器件指标。
• 设计指导：该研究建立了电路属性（表达能力、参数数量、深度、纠缠器类型）与预测精度之间的相关性，为小数据问题的假设选择提供了框架。

结果
选定的 HQNN 被标识为$L=2$ 时的电路 (13, 5)（一种混合电路配置，在第 1 层使用模板 13，在第 2 层使用模板 5），并与包括 ANN、PLS、决策树、XGBoost 等在内的经典基线进行了基准测试。

• 性能提升：与最佳经典基线（ANN）相比，HQNN 将整体归一化均方根误差（nRMSE）降低了24.4%。
• 特定目标改进：
  • $V_{th,fwd}$ 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（约 24% 的降低）
  • $I_{on}$ RMSE 保持竞争力（0.053 A 对比 ANN 的 0.056 A）。
• 消融洞察：
  • 表达能力：精度与表达能力（$D_{KL}$）呈负相关。高表达能力（类似 Haar 随机）的电路表现较差，这可能是由于小数据 regime 中的 barren plateaus（ barren 平台）所致。
  • 参数与深度：精度与参数数量、电路深度和双量子比特门数量呈正相关。
  • 纠缠器：参数化受控旋转门（CRZ, CRX）的表现优于静态 CNOT 基电路。
• 噪声鲁棒性：对代表性电路（模板 13，$L=4$）进行的去极化噪声研究表明，在轻度噪声（$p=0.005$）下，模型保持了 0.905 的整体 $R^2$。虽然 $I_{off}$ 预测对噪声敏感，但与电压相关的目标保持稳定，这表明即使量子表示退化，经典编码器仍保留预测能力。

意义与主张
该论文声称将半导体建模中的量子机器学习（QML）从单目标量子核回归推进到针对 recessed-gate GaN MIS-HEMTs 的多特性器件建模。作者断言，变分混合量子模型可以在经典机器学习受限的小规模、含噪实验数据集上改善泛化能力。

该工作表明，鉴于其已证明的对轻度去极化噪声的鲁棒性，类似的 HQNN 可能在近期量子硬件（特别是 4 量子比特寄存器）上可训练或可部署。该研究为未来 QML 辅助的半导体工艺优化提供了电路设计框架，强调受控的假设选择对于在实际的、数据受限的工程任务中实现量子优势至关重要。