近日，澳洲联邦科学与工业研究组织（CSIRO）领导的国际团队发表创新成果，首次成功将量子机器学习（Quantum Machine Learning, QML）技术应用於半导体制造过程，重点聚焦在氮化??（GaN）高电子迁移率电晶体（HEMT）中「欧姆接触电阻（Ohmic contact resistance）」的建模与优化，成为量子算法於制造实务领域中的里程碑案例。

研究团队使用 159 组 CO?端实验数据，开创性地设计 Quantum Kernel?Aligned Regressor（QKAR）模型。该模型将关键制程变数转换为量子态，并结合经典算法完成回归分析，在回归误差、方差指标上全面领先七种主流传统机器学习模型 。量子模型特别适合处理小样本、高维度与非线性数据，具显着效果。

半导体制程中，欧姆接触电阻直接影响电流载流能力与元件性能。QKAR 模型可提前预测制程叁数组合是否将出现高电阻问题，进而提前介入调整。此应用可提高设备生产良率，并降低量测及制造成本。此外，该方法未限於单一材料，目前已成功应用於银、锌氧化物、铜氧化物及铋氧化物等电极系统，具备高通用性 。

量子机器学习技术正迅速扩展於制造、材料与缺陷检测等领域。CSIRO 的案例是首度将 QML 应用於微电子制程；此前也有研究团队提出「量子贝氏推理（quantum Bayesian inference）」用於晶圆缺陷分类，展示量子算法在制程错误辨识上的优势 。