Dissenyar i fabricar un xip nou implica ajustar desenes de paràmetres de procés —temperatures, dopatges, geometries— abans de saber com es comportarà elèctricament el transistor final, i cada combinació nova de procés sol requerir fabricar i mesurar mostres físiques, un procés car i lent. Els models d'aprenentatge automàtic ja s'utilitzen per estalviar-se part d'aquestes proves, però solen necessitar moltes dades de fabricació per a cada combinació nova, unes dades que rarament abunden quan s'explora un disseny inèdit.
Un equip de tretze investigadors —entre ells Rushat Rai, amb suport tècnic i de còmput del programa acadèmic de Nvidia— ha publicat el 4 de setembre a arXiv un marc unificat que combina xarxes neuronals de grafs amb circuits quàntics parametritzats compactes, descoberts mitjançant aprenentatge per reforç, per predir el comportament elèctric de dos tipus de transistors de nova generació: els HEMT de nitrur de gal·li (GaN), usats en electrònica de potència, i els transistors d'efecte de camp de nanofils (NWFET), pensats per a la lògica digital. Validat amb una metodologia que deixa fora un grup sencer de dades per comprovar que el model generalitza (LOGOCV) i comparat amb sis mètodes clàssics, el marc redueix l'error de predicció fins a un 59% en els HEMT i fins a un 84% en els NWFET, i redueix també la variabilitat entre diferents lots de fabricació.
La notícia és rellevant perquè aborda un problema molt concret del disseny de xips —predir bé amb poques dades de fabricació— combinant dues tecnologies encara en desenvolupament, la computació quàntica i l'aprenentatge automàtic, en un àmbit, el disseny de semiconductors, on Europa i els Estats Units inverteixen milers de milions de dòlars per reduir la dependència de fabricants asiàtics; una millora en la capacitat de predir el comportament d'un xip abans de fabricar-lo redueix directament els costos i el temps de desenvolupament.
Es tracta d'un preprint encara no revisat per parells, validat sobre conjunts de dades de fabricació concrets que no s'han fet públics íntegrament, i els mateixos autors no detallen encara com es comportaria el mètode amb famílies de transistors diferents de les dues estudiades; els circuits quàntics utilitzats es simulen íntegrament en maquinari clàssic (GPU de Nvidia), no en ordinadors quàntics reals, de manera que els guanys de precisió no impliquen, de moment, cap avantatge de velocitat de còmput quàntic.