論文の概要: Quantum Machine Learning for Semiconductor Fabrication: Modeling GaN HEMT Contact Process

• arxiv url: http://arxiv.org/abs/2409.10803v1
• Date: Tue, 17 Sep 2024 00:44:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-09-18 18:20:31.799060
• Title: Quantum Machine Learning for Semiconductor Fabrication: Modeling GaN HEMT Contact Process
• Title（参考訳）: 半導体製造のための量子機械学習:GaN HEMT接触プロセスのモデリング
• Authors: Zeheng Wang, Fangzhou Wang, Liang Li, Zirui Wang, Timothy van der Laan, Ross C. C. Leon, Jing-Kai Huang, Muhammad Usman,
• Abstract要約: 本稿では,GaN高電子移動トランジスタ(HEMT)におけるOhmic接触過程のモデリングにおける量子機械学習(QML)の利用の先駆者となる。 2レベルZZ-Feature Mapを用いた量子カーネルベースの回帰器(QKR)を開発した。 従来の6つの機械学習モデル(CML)と比較して、我々のQKRは一貫して最低平均絶対誤差(MAE)、平均二乗誤差(MSE)、ルート平均二乗誤差(RMSE)を示した。
• 参考スコア（独自算出の注目度）: 18.42230728589117
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper pioneers the use of quantum machine learning (QML) for modeling the Ohmic contact process in GaN high-electron-mobility transistors (HEMTs) for the first time. Utilizing data from 159 devices and variational auto-encoder-based augmentation, we developed a quantum kernel-based regressor (QKR) with a 2-level ZZ-feature map. Benchmarking against six classical machine learning (CML) models, our QKR consistently demonstrated the lowest mean absolute error (MAE), mean squared error (MSE), and root mean squared error (RMSE). Repeated statistical analysis confirmed its robustness. Additionally, experiments verified an MAE of 0.314 ohm-mm, underscoring the QKR's superior performance and potential for semiconductor applications, and demonstrating significant advancements over traditional CML methods.
• Abstract（参考訳）: 本稿では,GaN高電子移動トランジスタ(HEMT)におけるOhmicコンタクトプロセスのモデリングに量子機械学習(QML)を初めて活用する。 159個のデバイスからのデータと変分オートエンコーダによる拡張を利用して、2レベルZZ-feature mapを備えた量子カーネルベースの回帰器(QKR)を開発した。 従来の6つの機械学習モデル(CML)と比較して、我々のQKRは一貫して最低平均絶対誤差(MAE)、平均二乗誤差(MSE)、ルート平均二乗誤差(RMSE)を示した。 繰り返し統計分析により、その堅牢性が確認された。 さらに実験では0.314 om-mmのMAEを検証し、QKRの優れた性能と半導体応用の可能性を強調し、従来のCML法よりも大幅に進歩したことを示した。

関連論文リスト

• Learning Density Functionals from Noisy Quantum Data [0.0]
  ノイズの多い中間スケール量子(NISQ)デバイスは、機械学習(ML)モデルのトレーニングデータを生成するために使用される。 NISQアルゴリズムの典型的なノイズを受ける小さなデータセットからニューラルネットワークMLモデルをうまく一般化できることを示す。 本研究は,NISQデバイスを実用量子シミュレーションに活用するための有望な経路であることを示唆する。
  論文  参考訳（メタデータ） (2024-09-04T17:59:55Z)
• Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
  重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。 さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-01T20:21:52Z)
• Provably Trainable Rotationally Equivariant Quantum Machine Learning [0.6435156676256051]
  量子フーリエ変換上に構築された回転同変QMLモデルの族を導入する。 我々は,シリコン中のリン不純物の走査型トンネル顕微鏡画像のデータセット上で,我々のモデルを数値的に検証した。
  論文  参考訳（メタデータ） (2023-11-10T05:10:06Z)
• Machine Learning for Practical Quantum Error Mitigation [0.0]
  量子エラー軽減のための機械学習は、そのコストを大幅に削減することを示す。 本稿では,ML-QEMを用いて従来の緩和手法を模倣し,より優れた実行効率で拡張性を実現する方法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T16:17:12Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
  変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。 テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。 この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
  論文  参考訳（メタデータ） (2023-05-18T03:08:18Z)
• Do Quantum Circuit Born Machines Generalize? [58.720142291102135]
  本稿では,量子生成モデルの積分評価指標としてQCBMの一般化性能を示す文献で最初に紹介する。 そこで本研究では,QCBMがデータセットの再重み付けを効果的に学習し,未確認のサンプルをトレーニングセットよりも高い品質で生成可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-27T17:06:34Z)
• DeePKS+ABACUS as a Bridge between Expensive Quantum Mechanical Models and Machine Learning Potentials [9.982820888454958]
  Deep Kohn-Sham (DeePKS) は密度汎関数理論に基づく機械学習(ML)ポテンシャルである。 DeePKSは高レベル量子力学(QM)法と比較して密に整合したエネルギーと力を提供する。 DeePKSモデルをトレーニングするために十分な量の高精度QMデータを生成し、さらにDeePKSモデルを使用して、はるかに多くの設定をラベル付けしてML電位をトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-06-21T03:24:18Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Direct parameter estimations from machine-learning enhanced quantum state tomography [3.459382629188014]
  機械学習による量子状態トモグラフィ(QST)は、量子状態に関する完全な情報を抽出する際の利点を実証している。 我々は,目標パラメータを直接生成することにより,高性能で軽量で容易に教師付き特性モデルを構築する。 このような特性モデルに基づく ML-QST は、ヒルベルト空間を扱う問題を回避することができるが、高い精度で特徴抽出を維持することができる。
  論文  参考訳（メタデータ） (2022-03-30T15:16:02Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Quantum Approximate Optimization Algorithm Based Maximum Likelihood Detection [80.28858481461418]
  量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。 量子技術の最近の進歩は、ノイズの多い中間スケール量子(NISQ)デバイスへの道を開く。
  論文  参考訳（メタデータ） (2021-07-11T10:56:24Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Improving Semiconductor Device Modeling for Electronic Design Automation by Machine Learning Techniques [6.170514965470266]
  本稿では,変分オートエンコーダを用いたMLに基づくデバイスモデリング改善のための自己拡張戦略を提案する。 提案手法の有効性を実証するために,ガリウム窒化物デバイスにおけるオーミック抵抗値に対するディープニューラルネットワークに基づく予測タスクに適用する。
  論文  参考訳（メタデータ） (2021-05-25T00:52:44Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)
• Predicting toxicity by quantum machine learning [11.696069523681178]
  本研究では, 定量的構造活性相関に基づく221種類のフェノールの毒性予測のためのQMLモデルを開発した。 その結果、量子エンタングルメントによって強化されたデータエンコーディングは、従来のエンタングルよりも表現力が高いことが示唆された。
  論文  参考訳（メタデータ） (2020-08-18T02:59:40Z)
• Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
  機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
  論文  参考訳（メタデータ） (2020-03-10T19:06:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。