10drama.com -, JAKARTA — Para ilmuwan Australiasudah mengembangkan metode pembelajaran yang menggabungkan antarakecerdasan buatan(Kecerdasan Buatan/AI) dan prinsip komputasi kuantum, yang mampu mengubah metode pengembangan microchip.
Dalam penelitian terbaru, mereka menunjukkan bagaimana algoritma pembelajaran mesin kuantum mampu mempercepat proses simulasi hambatan di dalam sebuah sirkuit elektronik secara signifikan.
Pendekatan hibrida dalam pembelajaran mesin kuantum menggabungkan data klasik dengan teknik komputasi kuantum. Pada komputasi klasik, informasi disimpan dalam bit yang direpresentasikan sebagai 0 atau 1.
Di sisi lain, komputer kuantum memanfaatkan qubit, yang dengan menggunakan prinsip-prinsip seperti superposisi dan keterkaitan mampu berada dalam berbagai kondisi secara bersamaan.
Hal ini memungkinkan sistem komputer kuantum untuk menyelesaikan hubungan matematika yang rumit dalam waktu yang lebih singkat dibandingkan komputasi tradisional.
Sebuah kelompok ilmuwan Australia memanfaatkan pembelajaran mesin kuantum untuk mengumpulkan data konvensional, lalu mengubahnya menjadi keadaan kuantum.
Komputer kuantum mampu mengidentifikasi pola-pola dalam data yang sulit ditemukan oleh sistem konvensional, dan selanjutnya komputasi biasa mengambil alih data yang telah diproses untuk memahami hasilnya.
Peran Kuantum dalam Proses Pembuatan Sirkuit Elektronik
Proses pembuatan semikonduktor merupakan aktivitas yang rumit dan terdiri dari berbagai tahapan yang memerlukan akurasi tinggi. Bahkan sedikit ketidaktepatan pun bisa mengakibatkan kerusakan pada chip.
Proses ini melibatkan pengumpulan dan pembentukan ratusan lapisan halus pada piringan silikon. Selanjutnya, lapisan deposisi menutupi permukaan tipis bahan pada piringan tersebut, sedangkan lapisan fotoresist mengandung bahan yang bereaksi terhadap cahaya, memungkinkan pembuatan pola yang akurat.
Dalam proses litografi, cahaya mentransfer pola-pola tersebut ke permukaan wafer, sehingga proses pengikisan dapat menghilangkan bagian material yang dipilih untuk membentuk struktur sirkuit.
Proses implantasi ion mengubah sifat listrik setiap lapisan dengan memasukkan partikel bermuatan, dan pada akhirnya, chip dikemas serta dihubungkan sehingga dapat dipadukan dalam perangkat.
Setelah proses-proses tersebut, komputasi kuantum akan digunakan dalam memodelkan hambatan kontak ohmik, yang sering menjadi tantangan berat dalam pembuatan chip.
Resistansi kontak ohmik menggambarkan seberapa mudah arus listrik melewati lapisan logam dan semikonduktor dalam sebuah chip, semakin kecil nilai resistansi tersebut, semakin cepat dan efisien penggunaan energinya.
Langkah tersebut dilakukan setelah bahan telah dilapisi dan diberi pola pada wafer, serta memainkan peran penting dalam menentukan seberapa baik chip akan beroperasi. Namun, pemodelannya secara akurat menjadi tantangan.
Umumnya para insinyur memanfaatkan algoritma pembelajaran mesin tradisional untuk melakukan prediksi.
Meskipun algoritma klasik dapat berjalan dengan baik pada data yang besar dan bersih, kenyataannya eksperimen semikonduktor sering kali menghasilkan data yang kecil dan memiliki pola yang tidak linier.
Dataset yang kecil sering kali tidak efisien dalam proses pembelajaran mesin, sehingga para peneliti beralih ke penggunaan komputasi kuantum.
Jenis Algoritma Baru
Dikutip Livescience (30/07/25), tim peneliti Australia bekerja dengan data dari 159 sampel eksperimental transistor mobilitas elektron tinggi berbasis galium nitrida (GaN HEMT), yang terkenal karena kecepatan dan efisiensinya serta sering digunakan dalam perangkat elektronik dan jaringan 5G.
Pertama-tama, mereka mengidentifikasi variabel fabrikasi yang paling berpengaruh terhadap resistansi kontak Ohmik, dan menyempurnakan kumpulan data dengan input yang paling relevan.
Kemudian, mereka menciptakan arsitektur pembelajaran mesin baru yang dikenal sebagai Quantum Kernel-Aligned Regressor (QKAR).
QKAR mengubah data klasik menjadi keadaan kuantum, memungkinkan sistem kuantum untuk mengenali hubungan yang rumit dalam data tersebut.
Algoritma tradisional selanjutnya memahami wawasan tersebut dan mengembangkan model prediksi untuk mengarahkan produksi chip.
Hasil pengujian menunjukkan bahwa QKAR mampu menghasilkan resistansi Ohmik yang jauh lebih baik dibandingkan model konvensional, sekitar 0,338 ohm per milimeter.
“Temuan ini menunjukkan kemampuan pembelajaran mesin kuantum dalam mengelola tugas regresi berdimensi tinggi dan data yang terbatas di bidang semikonduktor,” ujar tim peneliti tersebut.
Mereka juga menyampaikan, metode ini bisa langsung diimplementasikan dalam produksi chip di dunia nyata, seiring dengan perkembangan terus-menerus perangkat keras kuantum.
(Muhamad Rafi Firmansyah Harun)
