量子科技中心_量科网

优化凹栅AlGaN/GaN MIS-HEMT需要精确的多特征模型，但实验半导体数据集成本高昂，且包含仿真无法忠实复现的工艺引入变异性。该工作提出一种混合经典-量子神经网络（HQNN），用于从24维制造/工艺向量中联合优化六个电学目标。研究人员系统筛选量子电路模板以提取电路设计指导，随后选定最终HQNN并将其与经典基线进行直接比较。在涵盖17个工艺分组的468个实验制造器件上，选定的HQNN（Circuit (13, 5)，L = 2）相对于人工神经网络将整体归一化均方根误差（nRMSE）降低了24.4%。按目标来看，HQNN将Vth,lin的RMSE从0.297 V降至0.270 V，Vth,rev的RMSE从0.278 V降至0.263 V，DeltaVth的RMSE从0.049 V降至0.045 V，SS的RMSE从22.22 mV/dec降至19.87 mV/dec，Id的RMSE从5.75×10⁻⁸ A降至4.35×10⁻⁸ A，而Ion的RMSE保持竞争力（0.053 A对比0.056 A）。受控的ansatz消融实验进一步表明，性能强烈依赖于架构：参数数量、深度和双量子比特门数量与精度呈正相关，表达能力（DKL）呈负相关，且受控旋转纠缠器在总体上优于静态受控非门（CNOT）基电路。对代表性4量子比特电路进行的退极化噪声研究表明，类似的HQNN可能在近期量子硬件上可训练或可部署。