La filiera dei semiconduttori sta diventando sempre più importante per costruire computer quantistici su larga scala. Per l’industria dei chip, però, il beneficio maggiore potrebbe arrivare dalla direzione opposta: il quantum computing potrebbe aiutare ad affrontare alcuni dei problemi più complessi nello sviluppo dei materiali, nella progettazione e nei processi produttivi dei chip.
È il circolo virtuoso evidenziato da Classiq, società specializzata nel software per il quantum computing: l’hardware quantistico ha bisogno della precisione di processo e delle capacità di integrazione dell’industria dei semiconduttori; allo stesso tempo, algoritmi quantistici vengono studiati per intervenire su specifici colli di bottiglia nei suoi flussi di lavoro.
Dai semiconduttori ai qubit
I qubit di spin in silicio mostrano quanto i due mondi siano già vicini. Le strutture utilizzate per confinare singoli elettroni o lacune presentano infatti analogie con i MOSFET convenzionali.
Per scalare questi sistemi, tuttavia, non basta fabbricare i qubit: servono controllo, interconnessioni, packaging e correzione degli errori affidabili, aree in cui le competenze maturate dall’industria dei semiconduttori diventano sempre più rilevanti.
Materiali, simulazione e processi produttivi
Una delle aree più promettenti è quella dei materiali e della chimica. Nella litografia EUV, i processi elettronici e chimici che avvengono nei fotoresist contribuiscono alla sfocatura dei pattern e diventano sempre più difficili da modellare con sufficiente precisione. Per affrontare questa complessità, sono allo studio algoritmi quantistici per modellare le proprietà ottiche dei fotoresist e integrare i risultati nei modelli multiscala utilizzati per prevedere questo fenomeno.
Oltre ai materiali, un altro ambito di interesse è quello della progettazione e della simulazione ingegneristica dei chip. La modellazione fluidodinamica del raffreddamento dei wafer, le simulazioni elettromagnetiche di interposer ad alta densità e attività come placement e routing possono richiedere risorse di calcolo elevate o imporre compromessi sull’accuratezza.
In questi contesti, gli algoritmi quantistici vengono studiati per intervenire su calcoli selezionati all’interno di processi che rimangono in larga parte classici. L’obiettivo è verificare se un approccio ibrido possa migliorare le prestazioni del workflow complessivo, rispettando i requisiti di accuratezza e validazione richiesti dalle applicazioni industriali.
Anche l’ispezione dei wafer e il rilevamento delle anomalie sono oggetto di sperimentazione. Modelli ibridi classico-quantistici vengono studiati per la classificazione dei difetti e l’individuazione di anomalie, con l’obiettivo di valutare possibili miglioramenti rispetto agli approcci tradizionali. Resta però da dimostrare un vantaggio concreto rispetto ai metodi classici su dati rappresentativi delle condizioni di produzione.
Sul fronte della modellazione dei processi produttivi, ricercatori dell’agenzia scientifica nazionale australiana CSIRO hanno utilizzato un modello di quantum machine learning a cinque qubit per prevedere la resistenza di contatto ohmico in transistor HEMT al nitruro di gallio. Il modello ha superato sette approcci classici nel confronto riportato e le sue previsioni sono state verificate su cinque nuovi dispositivi fabbricati, ma lo studio è stato condotto su simulatori: il risultato dimostra quindi un approccio promettente, non ancora un vantaggio dell’hardware quantistico.
Non basta che un problema sia difficile
La complessità computazionale, da sola, non rende un problema adatto al quantum computing.
“Il punto di partenza non è il quantum computer, ma il problema che un team di ingegneri deve risolvere. Un approccio quantistico ha valore solo se offre un miglioramento misurabile in termini di velocità, costi, accuratezza o qualità del risultato rispetto alla migliore alternativa classica, e il criterio di successo va concordato prima di avviare l’esperimento”, afferma Simon Fried, VP Marketing Communications di Classiq.
La valutazione deve inoltre considerare l’intero workflow: preparazione dei dati, esecuzione quantistica, misurazioni, elaborazione classica e validazione. Un algoritmo teoricamente promettente può infatti richiedere più hardware o più tempo di quanto un’applicazione industriale possa giustificare.
Il ruolo del software
Il software rappresenta il collegamento tra tecnologia quantistica e decisione ingegneristica: permette di scegliere l’algoritmo, ottimizzarlo per l’hardware disponibile, stimarne le risorse necessarie e interpretarne i risultati.
“Le aziende non devono aspettare grandi computer quantistici fault-tolerant per iniziare a valutare le opportunità. Costruire oggi algoritmi, benchmark e competenze di dominio consente di individuare fin da ora le applicazioni più promettenti e di valutarne concretamente il potenziale man mano che l’hardware evolve”, conclude Fried.
Il circolo virtuoso tra i due settori può così svilupparsi in entrambe le direzioni: processi di fabbricazione più avanzati rendono possibili sistemi quantistici più capaci, mentre applicazioni validate rispetto ai migliori metodi classici possono offrire all’industria dei semiconduttori nuovi strumenti per migliorare materiali, progettazione e processi.
