近日，澳洲聯邦科學與工業研究組織（CSIRO）領導的國際團隊發表創新成果，首次成功將量子機器學習（Quantum Machine Learning, QML）技術應用於半導體製造過程，重點聚焦在氮化鎵（GaN）高電子遷移率電晶體（HEMT）中「歐姆接觸電阻（Ohmic contact resistance）」的建模與優化，成為量子算法於製造實務領域中的里程碑案例。

研究團隊使用 159 組 CO?端實驗數據，開創性地設計 Quantum Kernel?Aligned Regressor（QKAR）模型。該模型將關鍵製程變數轉換為量子態，並結合經典算法完成回歸分析，在回歸誤差、方差指標上全面領先七種主流傳統機器學習模型 。量子模型特別適合處理小樣本、高維度與非線性數據，具顯著效果。

半導體製程中，歐姆接觸電阻直接影響電流載流能力與元件性能。QKAR 模型可提前預測製程參數組合是否將出現高電阻問題，進而提前介入調整。此應用可提高設備生產良率，並降低量測及製造成本。此外，該方法未限於單一材料，目前已成功應用於銀、鋅氧化物、銅氧化物及鉍氧化物等電極系統，具備高通用性 。

量子機器學習技術正迅速擴展於製造、材料與缺陷檢測等領域。CSIRO 的案例是首度將 QML 應用於微電子製程；此前也有研究團隊提出「量子貝氏推理（quantum Bayesian inference）」用於晶圓缺陷分類，展示量子算法在製程錯誤辨識上的優勢 。