Ett par forskare vid Fudan University i Kina har använt maskininlärning för att begränsa listan över möjliga förbättrade tunnelkonfigurationer för användning i transistorer. De har publicerat sina resultat i Physical Review Letters.

Under de senaste decennierna har ingenjörer arbetat för att upprätthålla Moores lag och troget fördubblat antalet transistorer som kan placeras på en integrerad krets ungefär vartannat år. Men sådana ansträngningar är i fara på grund av fysikens lagar – särskilt de som är relaterade till kvanttunnelering som försämrar prestanda. Mer specifikt har materialet som används för att separera grindar på chips (gränssnitt) från kanaler blivit så tunt att laddningsbärare kan vicka sig igenom via kvanttunnel. I denna nya ansträngning sökte forskarna stabila konfigurationer som skulle minimera sådan tunnling, och därigenom tillåta Moores lag att fortsätta, åtminstone ett tag.

Arbetet innebar att studera hur tunnling påverkas av strukturen hos ett givet gränssnitt. Forskarna upptäckte att konfigurationen av materialet som utgjorde gränssnittet spelade en stor roll i graden av kvanttunneling. De använde sedan en maskininlärningsapplikation för att studera cirka 2 500 strukturer som möjliga ersättare för gränssnittskonfigurationer. De hittade 40 konfigurationer som verkade sannolikt ge ett bättre alternativ än de som för närvarande används. Av dessa fann de att bara 10 var energimässigt stabila. Testning av de 10 kandidaterna visade att bara två kunde undertrycka tunnling. De föreslår att de två konfigurationerna skulle kunna användas i integrerad kretsdesign och produktion för att möjliggöra fler transistorer på ett chip, vilket i praktiken möjliggör skapandet av mindre enheter.

Forskarna planerar nästa att fokusera sina ansträngningar för att se om andra transistormaterial kan vara mer lämpade för användning i nästa generation av integrerade kretsar. + Utforska vidare

Fördubbling av Cooper-par för att skydda qubits i kvantdatorer från brus

© 2022 Science X Network