L’Australie ouvre une nouvelle ère dans l’histoire de l’Humanité : celle des semi-conducteurs conçus grâce à l’informatique quantique

Une première mondiale en Australie : un microprocesseur conçu grâce à l’informatique quantique.

Des chercheurs australiens viennent de franchir une étape majeure en utilisant l’intelligence artificielle quantique pour concevoir un semi-conducteur aux performances inédites.
En combinant cinq qubits et une poignée d’algorithmes bien choisis, ils affirment avoir surpassé les méthodes classiques de modélisation.

Lire aussi :

• Le Japon ébranle le monde de l’informatique en corrigeant un des plus grands problèmes des ordinateurs quantiques : le bruit
• La France reste au contact des plus grandes puissances informatiques du monde avec ce supercalculateur qui fait honneur au CNRS

L’Australie amène une solution au casse-tête de la production de nouveaux semi-conducteurs grâce à l’informatique quantique

Concevoir un semi-conducteur, ce n’est pas simplement dessiner un circuit sur du silicium. C’est jongler avec des dizaines de paramètres physiques, thermiques, chimiques et électriques. Le moindre grain d’imperfection dans la jonction entre métal et matériau semi-conducteur, appelée résistance ohmique de contact, peut perturber le fonctionnement global de la puce.

Or cette zone de contact est notoirement difficile à modéliser. Les chercheurs doivent tester des échantillons, analyser les comportements, affiner des modèles, puis recommencer. À l’heure de l’intelligence artificielle, beaucoup se tournent vers les algorithmes classiques d’apprentissage machine (CML). Malheureusement dans les situations à faible volume de données et à relations non-linéaires, comme c’est souvent le cas en microélectronique, ces outils montrent rapidement leurs limites.

Le plus grand projet de l’Histoire de l’humanité va attaquer une phase clé consistant à l’assemblage final du coeur du réacteur sous l’égide d’un géant américain

L’idée : utiliser l’informatique quantique

C’est là qu’intervient l’équipe du CSIRO, l’agence nationale de recherche australienne. Dirigée par Muhammad Usman, spécialiste des systèmes quantiques, l’équipe a tenté une approche radicalement nouvelle : utiliser l’apprentissage automatique quantique (QML) pour prédire les bons paramètres de fabrication d’un transistor de type GaN HEMT (transistor à haute mobilité électronique en nitrure de gallium).

Pourquoi le nitrure de gallium ? Parce qu’il offre de meilleures performances que le silicium dans les appareils de puissance ou les hautes fréquences, mais reste délicat à manipuler. Et donc, parfait pour tester un nouvel outil de modélisation.

QKAR, un algorithme hybride sur cinq qubits

Le cœur de l’expérience repose sur une architecture nommée QKAR : Quantum Kernel-Aligned Regressor. Le principe ? Traduire des données expérimentales classiques vers un langage compréhensible par un processeur quantique, en l’occurrence, sur cinq qubits seulement.

Ce passage dans l’univers quantique se fait via une couche spéciale dite quantum kernel, qui extrait les caractéristiques cachées du jeu de données. Ces éléments sont ensuite renvoyés vers un algorithme classique qui apprend à prédire les paramètres idéaux pour améliorer la fabrication du composant.

Ce couplage entre quantique et classique permet d’exploiter les avantages des deux mondes : la finesse d’analyse des qubits et la robustesse des outils statistiques classiques.

l’IA quantique fait mieux que les modèles classiques

Pour vérifier l’efficacité de leur méthode, les chercheurs ont comparé sept algorithmes CML classiques à leur système QKAR. Dans tous les cas, la version quantique a fourni de meilleures prédictions, en particulier dans des situations avec peu de données disponibles et une forte complexité du problème.

Les chercheurs ont même fabriqué de nouveaux dispositifs GaN à partir des résultats de QKAR. Verdict : les performances mesurées étaient supérieures aux prototypes précédents. De plus, une analyse par spectre de noyau quantique a confirmé que le modèle quantique était capable de généraliser ses prédictions au-delà des données utilisées pour l’apprentissage initial.

Autrement dit : il ne fait pas que répéter ce qu’on lui a appris. Il comprend.

Une simplification bienvenue

Contrairement aux idées reçues, pas besoin d’un monstre quantique à 200 qubits pour y arriver. Selon Muhammad Usman, l’équipe a volontairement réduit la dimensionnalité du problème à l’aide d’une analyse en composantes principales, passant de 37 à 5 paramètres clés. Une manière de contourner les limites actuelles des ordinateurs quantiques, tout en restant efficace.

En procédant ainsi, les chercheurs ont démontré qu’on peut dès aujourd’hui résoudre des problèmes industriels concrets avec un ordinateur quantique modeste, pour peu qu’on sache bien formuler le problème.

La France bat un nouveau record mondial qui comptera pour la recherche sur la fusion nucléaire avec son puissant gyrotron TH1507U

Une première brique pour l’industrie de demain

Avec ce travail publié dans Advanced Science, l’équipe australienne ne se contente pas de faire une démonstration théorique. Elle propose un outil immédiatement déployable dans le monde réel. De la modélisation à la fabrication, chaque étape a été validée. Il ne reste plus qu’à l’appliquer à d’autres types de composants.

À terme, cette méthode pourrait être utilisée pour optimiser la conception de batteries, de panneaux solaires, de capteurs, ou de tout autre système complexe où les paramètres sont nombreux et les données rares.

Source :

Quantum Kernel Learning for Small Dataset Modeling in Semiconductor Fabrication: Application to Ohmic Contact
Zeheng Wang, Fangzhou Wang, Liang Li, Zirui Wang, Timothy van der Laan, Ross C. C. Leon, Jing-Kai Huang, Muhammad Usman
23 juin 2025 https://doi.org/10.1002/advs.202506213

Image : CSIRO