A Unified Physics-Aware Quantum Machine Learning Framework across Power GaN HEMTs and Logic Nanowire FETs: Predicting Unseen Process Splits and Held-Out Geometry Combinations with Lower Error and Tighter Split-to-Split Variability

📄 arXiv: 2609.05251v1 📥 PDF

作者: Rushat Rai, Yun-Yuan Wang, Autsada Kakaen, Pei-Jie Chang, Doan Viet Nguyen, Yuan-Chieh Chiu, Doldet Tantraviwat, Niall Tumilty, Simon See, Wen-Jay Lee, Tai-Yue Li, Nan-Yow Chen, Tian-Li Wu

分类: cs.AI

发布日期: 2026-09-04

备注: 11 pages, 11 figures

💡 一句话要点

提出统一的物理感知量子机器学习框架以提高器件建模精度

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 量子机器学习 强化学习 图神经网络 器件建模 半导体技术 物理感知 参数化量子电路

📋 核心要点

  1. 现有方法在数据稀缺的情况下，器件建模的准确性和一致性不足，导致预测误差较大。
  2. 本文提出的框架结合强化学习和图神经网络，自动搜索电路架构以优化器件建模性能。
  3. 实验结果表明，该框架在多个目标上显著降低了预测误差，并提高了模型的稳定性和一致性。

📝 摘要（中文）

本文提出了一种统一的强化学习框架，旨在为数据稀缺的器件建模发现紧凑的参数化量子电路。该框架利用图神经网络策略，通过近端策略优化算法优化电路架构，并采用留一组交叉验证法评估在未见工艺或几何组上的误差。结果显示，该框架在11个目标上相较于六个经典基线实现了最低的平均绝对误差，HEMTs的误差降低59%，折叠变异性提高81%；而NWFETs的误差降低84%，折叠变异性提高82%。这些结果表明，尽管没有施加明确的物理约束，该框架仍能有效地作为紧凑的替代模型，具有较低的超出分布（OOD）误差和改善的物理一致性。

🔬 方法详解

问题定义：本文旨在解决在数据稀缺情况下，传统器件建模方法的准确性和一致性不足的问题。现有方法往往依赖于大量的实验数据，难以适应新的工艺或几何组合。

核心思路：论文提出的框架通过强化学习自动发现紧凑的参数化量子电路，利用图神经网络策略优化电路架构，从而提高器件建模的准确性和一致性。

技术框架：整体架构包括图神经网络（GNN）作为策略网络，采用近端策略优化（PPO）算法进行优化，使用留一组交叉验证（LOGOCV）作为奖励机制，评估在未见工艺或几何组上的模型表现。

关键创新：该框架的创新在于将强化学习与量子电路建模相结合，能够在没有明确物理约束的情况下，自动选择电路架构并实现低超出分布误差。

关键设计：框架中采用的损失函数为平均绝对误差（MAE），并通过优化策略网络的参数设置来实现对电路架构的高效搜索。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，该框架在11个目标上实现了最低的平均绝对误差，HEMTs的误差降低59%，折叠变异性提高81%；NWFETs的误差降低84%，折叠变异性提高82%。这些结果显著优于六个经典基线，展示了该框架的强大性能。

🎯 应用场景

该研究的潜在应用领域包括半导体器件设计、量子计算和机器学习模型优化等。通过提高器件建模的准确性和一致性，能够加速新材料和新结构的开发，推动电子器件的性能提升和创新。

📄 摘要（原文）

We present a unified reinforcement-learning (RL) framework that discovers compact parametrized quantum circuits (PQCs) for data-scarce device modeling. A graph neural network (GNN) policy optimized by proximal policy optimization (PPO) searches circuit architectures using leave-one-group-out cross-validation (LOGOCV) error on held-out process or geometry groups as the reward. The framework achieves the lowest mean absolute error (MAE) on all 11 targets versus six classical baselines, with 59% lower error (Ioff) and 81% tighter fold variability (VTH) for HEMTs and 84% lower error (VTH, SS, Ioff) and 82% tighter fold variability (Ioff) for NWFETs. These results demonstrate the potential of RL-selected, classically simulated PQCs as compact surrogates with low OOD error and improved physical consistency, despite imposing no explicit physical constraints, penalty terms, or device-specific equations, on the two evaluated device datasets.