연구원들은 전통적인 머신러닝과 새로운 양자 기술을 결합함으로써, 그 어느 때보다 빠르게 새로운 반도체 설계를 개발할 수 있을 것으로 보인다.
LiveScience에 따르면, 호주 연구진이 새로운 양자 머신러닝(QML) 기법을 개발하여 차세대 반도체 설계에 활용할 수 있는 새로운 반도체 디자인 생성 방법을 제시하며 반도체 설계 공정 개선에 기여할 것으로 기대된다. 이 논문은 Advanced Science에 게재되었으며, 양자 상태에 데이터를 인코딩하여 패턴을 검색한 뒤, 머신러닝을 이용해 결과를 분석함으로써 반도체 설계 효율성을 향상시킬 수 있는 새로운 모델을 구축하는 방법을 보여준다.
논문에서 제안하듯이, 복잡한 프로세서와 그 내부의 반도체를 아우르는 현대적 설계 과정은 극도의 정밀도를 요구하는 복잡한 과정이다. 현대 웨이퍼와 칩을 구현하기 위한 실리콘 레이어 배치 과정은 여러 단계로 이루어져 있으며, 연구진은 이 새로운 기술이 특히 마지막 단계에서 가장 큰 유용성을 가질 수 있다고 보고 있다.
칩이 최종 패키징되어 실제 장치에 통합될 때, 반도체와 금속 패키징 층 사이에서 전기적 흐름이 어떻게 이루어지는지, 즉 오믹 접촉 저항(Ohmic contact resistance)에 대한 심도 있는 이해가 공정상 매우 중요하다. 이 과정은 모델링하기가 특히 까다로운 분야였으나, 연구진은 자신들의 새로운 기법을 통해 이 난이도를 크게 낮추고, 현대 칩 설계에 잠재적인 발전을 가져올 수 있다고 믿고 있다.
[내용 일부 생략 및 제목 재구성]
(본문 기술 내용은 생략하고 핵심 개발 내용으로 진행)
연구진은 고급 전자 장치에 주로 사용되는 갈륨 나이트라이드 고전자 이동도 트랜지스터(GaN HEMTs) 159개 샘플을 이용해 연구를 수행했다. 이들은 먼저 제작 공정 변수 중 오믹 접촉 저항에 가장 큰 영향을 미치는 요소를 파악한 후, 클래식 데이터를 양자 상태로 변환하는 '퀀텀 커널-정렬 회귀 모델(Quantum Kernel-Aligned Regressor, QKAR)'이라는 기술을 개발했다. 이후 양자 컴퓨팅 시스템이 이 데이터를 분석하여 숨겨진 패턴을 찾았고, 이 분석 결과는 머신러닝 알고리즘에 공급되어 칩 설계 과정의 효율성을 극대화하는 데 활용될 수 있었다.
연구 결과에 따르면, 이 양자 및 머신러닝 요소를 결합한 모델은 기존의 순수 머신러닝 및 딥러닝 알고리즘 대비 우수한 성능을 보였다. 구체적으로 QKAR은 기존 모델 대비 8.8%에서 20.1% 더 효과적인 방법임을 시사했다.
이는 향후 훨씬 정교하고 미묘한 칩 설계 공정을 가능하게 할 잠재력을 갖추고 있지만, 그 효과를 완전히 구현하기 위해서는 보다 진보된 양자 컴퓨팅 하드웨어의 개발이 선행되어야 할 것으로 보인다.
연구팀은 "이러한 발견들은 반도체 도메인에서 고차원적이고 소규모인 샘플 회귀 작업을 효과적으로 처리하는 QML의 잠재력을 입증하며, 양자 하드웨어가 성숙해짐에 따라 미래의 실제 응용 분야에 적용될 수 있는 유망한 경로를 제시한다"고 명시했다.
비록 본 연구에서 제시된 기술만으로는 당장 칩 제조를 혁신하기에 이르지 못했을지라도, 머신러닝과 양자 컴퓨팅 기술의 결합은 대규모 양자 컴퓨팅 하드웨어가 아직 상용화되지 않았더라도, 양자 컴퓨팅이 다양한 산업에 미칠 영향을 미리 보여주고 있다. 전통적 컴퓨팅과 양자 컴퓨팅 모두 고유의 장점을 지니고 있기 때문에, 이 두 기술을 융합함으로써 광범위한 잠재적 응용 사례와 함께 두 영역의 장점을 모두 포괄하는 최적의 시나리오를 구현할 수 있을 것으로 기대된다.