Miten kvanttilaskenta ja tekoäly muuttavat puolijohteiden tulevaisuuden?

Kun perinteisten CMOS-teknologioiden fyysiset rajat tulevat vastaan, Mooren laki ei enää toteudu pelkästään transistoreja pienentämällä. Transistorien suunnittelun lisäksi innovaatioita tarvitaan esimerkiksi materiaaleissa, mallintamisessa ja paketoimisessa sekä näiden kehitykseen tarvittavissa uusissa laskentaparadigmoissa. Uusilla konsepteilla pyritään ylittämään CMOS-teknologioiden rajat, mikä mahdollistaa seuraavan sukupolven puolijohteiden uudet laitetyypit ja skaalauspolut.

Uusia laskentaparadigmoja tarvitaan nyt enemmän kuin koskaan. Tulevaisuuden laskentaratkaisuksi on useita ehdokkaita ja kilpailijoita; esimerkiksi neuromorfinen ja fotoninen laskenta sekä kvanttilaskenta. Ne tarjoavat tehokkaampia laskenta-arkkitehtuureja ja parantavat suorituskykyä, jokainen omalla tontillaan.

Näistä vaihtoehdoista kvanttilaskennan ja tekoälyn yhdistelmät – erityisesti kvanttilaskennan ja klassisten algoritmien hybridimenetelmät – kehittyvät lähitulevaisuudessa tehokkaiksi apuvälineiksi, joilla voidaan vastata alan monimutkaisimpiin materiaali- ja laitehaasteisiin. Ne ovat erittäin tärkeitä puolijohdeteollisuudelle. Niiden energiankulusta on kuitenkin tulossa kestämätöntä tekoälymallien koon ja suorituskyvyn kasvaessa, joten energiatehokkaan tekoälyn kehittäminen on ehdottomasti ajankohtainen.

Monet teollisuuden kannalta merkitykselliset ongelmat molekyylisimulaatioista ja materiaalien löytämisestä monimutkaisiin optimointitehtäviin ovat laskennallisesti intensiivisiä ja huonosti skaalattavissa klassisilla laitteilla. Hybridimenetelmät hyödyntävät klassisen suurteholaskennan (high-performance computing, HPC) ja kvanttiprosessoreiden parhaita puolia. Näissä ratkaisuissa klassinen laskenta hoitaa tehtävät, joissa se on tehokkain, ja kvanttiprosessorit otetaan käyttöön niissä ongelman osissa, joissa ne tuovat etuja. Yhdistämällä molempien teknologioiden vahvuudet saadaan aikaan parempaa suorituskykyä ja tehokkuutta kuin käyttämällä kumpaakin erikseen.

Käyttötapauksiin kuuluvat mm. kvanttikoneoppimisen (quantum machine learning, QML) käyttö luokittelutehtäviin, kvantti-approksimaatio-optimointialgoritmien (quantum approximate optimisation algorithm, QAOA) käyttö yhdistelmäongelmiin ja variaatio-ominaisarvoratkaisijan (variational quantum eigensolver, VQE) käyttö molekyyli- ja materiaalisimulaatioissa.

Nämä ensimmäiset sovellukset osoittavat, miten hybriditeknologioiden kehittäminen voi nopeuttaa monimutkaisten materiaalien tutkimista ja auttaa simuloimaan niitä tehokkaasti.  Ne ovat tulevaisuudessa erittäin merkityksellisiä myös puolijohdeteollisuudelle ja innovaatioille, jotka mahdollistavat Mooren lain jatkumisen.

Puolijohdeteollisuuden kiireellisimmät haasteet liittyvät pohjimmiltaan materiaaleihin. 

Valmistusprosessien hallintaa tulee parantaa entisestään, ja lisäksi tarvitaan ainakin uusia seostusmenetelmiä sekä syvempää ymmärrystä materiaalien ominaisuuksista kuten suprajohtavuudesta ja materiaalirakennevirheiden synnystä.

Kvanttitekoälyn käytöstä on merkittävää hyötyä materiaalimallinnuksessa:  

• nopeampi tutkiminen, hyödyntäminen ja optimointi kemian, rakenteen ja synteesin suunnittelutilojen välillä,
• simulaation tarkkuutta parantavat ja huomattavia nopeutusetuja tuovat hybridimallit,
• kvanttilomittuneet ominaisuusavaruudet, jotka kuvaavat vahvasti korreloituvan käyttäytymisen kaltaisia ominaisuuksia, joiden käsittely klassisesti on hankalaa, ja
• korkean ulottuvuuden kvanttiytimien avulla saavutettava datatehokkuus. 

Nämä ominaisuudet ovat erityisen tärkeitä materiaaleille, joiden kohdalla diskreetin Fourier-muunnoksen (DFT) kaltaiset klassiset menetelmät epäonnistuvat tai muuttuvat laskennallisesti epäkäytännöllisiksi.

Meillä on VTT:llä kolme erityistä käyttötapausta kvanttitekoälylle materiaalimallinnuksessa, joita tutkimme. 
Atomikerroskasvatuksen (atomic layer deposition, ALD) ja muiden prosessikemian menetelmien mallinnuksessa tutkitaan, miten voidaan parantaa tarkkuutta yli DFT-menetelmien tason, mikä mahdollistaa uusien reaktiopolkujen ja materiaaliominaisuuksien paljastamisen atomikerroskasvatuksen kaltaisissa prosesseissa. Tämä mahdollistaisi vikojen muodostumisen, nukleaation, kuljetusvaikutusten, liukenemisen ja paikkakohtaisen vuorovaikutuksen paremman ennustamisen - puhumattakaan ALD-ratkaisujen huomattavasta nopeuttamisesta.

Yhdistepuolijohteiden mallinnuksessa voidaan selvittää mahdollisia tapoja, joilla kvanttialgoritmit voivat parantaa energiavälien, paikallisten vikatilojen ja keskeytysten, elektronien ja fononien vuorovaikutuksen, faasimuutosten ja rajapintaominaisuuksien ennustamista. QML:n on jo osoitettu voivan ennustaa pienten tietojoukkojen avulla ylivoimaisen tarkasti galliumnitridin ohmista kosketinresistanssia, mikä on tärkeä virstanpylväs myös puolijohteiden valmistuksen kehitykselle.

Suprajohteisiin liittyy voimakkaita elektroni-elektroni-vuorovaikutuksia, mikä tunnetusti vaikeuttaa niiden tarkastelua klassisissa simulaatioissa. Kvanttialgoritmit mahdollistavat Hubbardin mallin kaltaisten vahvasti korreloituvien mallien käytön suprajohtavuuden taustamekanismien tutkimuksessa. Tämä on olennainen osa kvanttiteknologian laitteiden kehittämistä, sillä materiaalien suorituskyky rajoittaa kubittien laatua. Fermi-Hubbard-malli on edelleen yksi tiiviin aineen fysiikan merkittävimmistä ratkaisemattomista haasteista. Vuosikymmenien tutkimuksesta huolimatta klassiset simulaatiot ovat hyvin rajallisia, eivätkä ne voi paljastaa suprajohtovaiheiden kaikkia näkökohtia. Viimeaikaiset kvanttikokeet osoittavat, että nykyisissä laitteistoissa näkyvät jo ensimmäiset merkit keskeisistä korreloivista ilmiöistä, kuten antiferromagnetismista ja Mott-siirtymistä. Tällä hetkellä tutkitaan skaalautuvia algoritmeja suprajohtavan käytöksen löytämiseksi todellisissa meluolosuhteissa.

Puolijohdeteollisuus on saavuttamassa uuden vaiheen, kun Mooren lain toteutuminen on entistä haastavampaa. Siksi tarvitaan uusia lähestymistapoja.

Kvanttilaskenta ei ole enää kaukaisen tulevaisuuden teknologia, sillä sitä voidaan jo nyt hyödyntää puolijohdeteollisuudelle tärkeiden materiaalien mallinnukseen. Kun tekoäly ja suurteholaskentaan yhdistetään kvanttityökaluja, voidaan ratkaista sellaisia ongelmia, joita ei aiemmin ole pystytty ratkaisemaan.