{"id":126695,"date":"2025-07-10T09:59:24","date_gmt":"2025-07-10T01:59:24","guid":{"rendered":"https:\/\/honwaygroup.com\/el-aprendizaje-automatico-cuantico-se-aplica-por-primera-vez-en-la-fabricacion-de-semiconductores-csiro-australia-logra-un-avance-pionero-a-nivel-mundial\/"},"modified":"2025-09-12T17:53:03","modified_gmt":"2025-09-12T09:53:03","slug":"el-aprendizaje-automatico-cuantico-se-aplica-por-primera-vez-en-la-fabricacion-de-semiconductores-csiro-australia-logra-un-avance-pionero-a-nivel-mundial","status":"publish","type":"post","link":"https:\/\/honwaygroup.com\/es\/el-aprendizaje-automatico-cuantico-se-aplica-por-primera-vez-en-la-fabricacion-de-semiconductores-csiro-australia-logra-un-avance-pionero-a-nivel-mundial\/","title":{"rendered":"El aprendizaje autom\u00e1tico cu\u00e1ntico se aplica por primera vez en la fabricaci\u00f3n de semiconductores CSIRO Australia logra un avance pionero a nivel mundial"},"content":{"rendered":"\n<p class=\"has-medium-font-size\">Actualmente, la fabricaci\u00f3n de semiconductores se enfrenta a retos t\u00e9cnicos cada vez m\u00e1s complejos, especialmente en procesos cr\u00edticos como el modelado de contactos \u00f3hmicos, donde los enfoques tradicionales de inteligencia artificial est\u00e1n llegando gradualmente a sus l\u00edmites. Sin embargo, una investigaci\u00f3n pionera de la agencia cient\u00edfica nacional australiana CSIRO ha sido pionera en la aplicaci\u00f3n del aprendizaje autom\u00e1tico cu\u00e1ntico (QML) al an\u00e1lisis de datos de procesos de semiconductores del mundo real, demostrando un rendimiento superior al de los m\u00e9todos cl\u00e1sicos. Este avance no solo demuestra el potencial de la tecnolog\u00eda cu\u00e1ntica en entornos de baja muestra y alta dimensi\u00f3n, sino que tambi\u00e9n abre posibilidades completamente nuevas para el dise\u00f1o de chips y la optimizaci\u00f3n de procesos. Este art\u00edculo profundiza en los detalles de esta investigaci\u00f3n pionera a nivel mundial y explora c\u00f3mo puede remodelar la trayectoria futura del desarrollo de semiconductores. <\/p>\n\n<div class=\"wp-block-rank-math-toc-block\" id=\"rank-math-toc\"><h2>Tabla de contenido<\/h2><nav><ul><li class=\"\"><a href=\"#%E5%8D%8A%E5%B0%8E%E9%AB%94%E5%BB%BA%E6%A8%A1%E9%81%87%E7%93%B6%E9%A0%B8%EF%BC%8C%E9%87%8F%E5%AD%90%E9%81%8B%E7%AE%97%E5%8A%A0%E5%85%A5%E6%88%B0%E5%B1%80\">El modelado de semiconductores se enfrenta a obst\u00e1culos a medida que la computaci\u00f3n cu\u00e1ntica entra en escena.<\/a><\/li><li class=\"\"><a href=\"#qkar%EF%BC%9A%E5%B0%88%E7%82%BA%E5%B0%8F%E6%A8%A3%E6%9C%AC%E8%A8%AD%E8%A8%88%E7%9A%84%E9%87%8F%E5%AD%90%E5%9B%9E%E6%AD%B8%E6%9E%B6%E6%A7%8B\">QKAR: una arquitectura de regresi\u00f3n cu\u00e1ntica dise\u00f1ada para muestras peque\u00f1as<\/a><\/li><li class=\"\"><a href=\"#%E8%A7%A3%E6%B1%BA%E8%B3%87%E6%96%99%E7%A8%80%E7%BC%BA%E8%88%87%E9%9D%9E%E7%B7%9A%E6%80%A7%E6%8C%91%E6%88%B0-%E9%87%8F%E5%AD%90%E5%84%AA%E5%8B%A2%E9%A1%AF%E7%8F%BE\">Abordar la escasez de datos y los retos no lineales: surge la ventaja cu\u00e1ntica<\/a><\/li><li class=\"\"><a href=\"#%E7%B5%90%E5%90%88%E9%87%8F%E5%AD%90%E8%88%87%E7%B6%93%E5%85%B8%E6%8A%80%E8%A1%93-%E5%AF%A6%E9%A9%97%E9%A9%97%E8%AD%89%E9%82%81%E5%87%BA%E9%97%9C%E9%8D%B5%E4%B8%80%E6%AD%A5\">Al combinar tecnolog\u00edas cu\u00e1nticas y cl\u00e1sicas, el experimento ha dado un paso crucial hacia adelante en la verificaci\u00f3n.<\/a><\/li><li class=\"\"><a href=\"#%E5%8D%8A%E5%B0%8E%E9%AB%94%E5%BB%BA%E6%A8%A1%E8%BF%8E%E4%BE%86%E6%96%B0%E5%85%B8%E7%AF%84%EF%BC%9F%E9%87%8F%E5%AD%90%E6%8A%80%E8%A1%93%E6%BD%9B%E5%8A%9B%E7%84%A1%E9%99%90\">\u00bfUn nuevo paradigma para el modelado de semiconductores? La tecnolog\u00eda cu\u00e1ntica tiene un potencial ilimitado.<\/a><\/li><li class=\"\"><a href=\"#%E7%B5%90%E8%AA%9E%EF%BC%9A%E5%BE%9E%E5%AF%A6%E9%A9%97%E5%AE%A4%E5%88%B0%E6%99%B6%E5%9C%93%E5%BB%A0%E7%9A%84%E9%87%8F%E5%AD%90%E9%9D%A9%E6%96%B0\">Conclusi\u00f3n: La innovaci\u00f3n cu\u00e1ntica, del laboratorio a la f\u00e1brica<\/a><\/li><\/ul><\/nav><\/div>\n\n<h2 class=\"wp-block-heading has-ast-global-color-0-color has-text-color has-link-color wp-elements-0aa10efb3a4dba6b54d5726a52592c99\" id=\"&#x534A;&#x5C0E;&#x9AD4;&#x5EFA;&#x6A21;&#x9047;&#x74F6;&#x9838;&#xFF0C;&#x91CF;&#x5B50;&#x904B;&#x7B97;&#x52A0;&#x5165;&#x6230;&#x5C40;\">El modelado de semiconductores se enfrenta a obst\u00e1culos a medida que la computaci\u00f3n cu\u00e1ntica entra en escena.<\/h2>\n\n<p class=\"has-medium-font-size\">Dentro de los procesos de fabricaci\u00f3n altamente precisos y cada vez m\u00e1s complejos de la industria de los semiconductores, la modelizaci\u00f3n eficaz supone un reto importante. Especialmente en pasos cr\u00edticos como el contacto \u00f3hmico, que implican m\u00faltiples par\u00e1metros de proceso y relaciones no lineales, los enfoques tradicionales de inteligencia artificial y aprendizaje autom\u00e1tico est\u00e1n revelando cada vez m\u00e1s sus limitaciones.<\/p>\n\n<figure class=\"wp-block-image size-full\"><a href=\"https:\/\/honwaygroup.com\/wp-content\/uploads\/2025\/07\/2025-07-01_100620.avif\"><img fetchpriority=\"high\" decoding=\"async\" width=\"800\" height=\"410\" src=\"https:\/\/honwaygroup.com\/wp-content\/uploads\/2025\/07\/2025-07-01_100620.avif\" alt=\"Diagrama esquem&#xE1;tico del proceso de modelizaci&#xF3;n de la formaci&#xF3;n de contactos &#xF3;hmicos GaN HEMT basado en el aprendizaje autom&#xE1;tico cu&#xE1;ntico. Fuente: Advance Science.\" class=\"wp-image-120420\" srcset=\"https:\/\/honwaygroup.com\/wp-content\/uploads\/2025\/07\/2025-07-01_100620.avif 800w, https:\/\/honwaygroup.com\/wp-content\/uploads\/2025\/07\/2025-07-01_100620-300x154.webp 300w, https:\/\/honwaygroup.com\/wp-content\/uploads\/2025\/07\/2025-07-01_100620-768x394.webp 768w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/><\/a><figcaption class=\"wp-element-caption\">Diagrama esquem\u00e1tico del proceso de modelizaci\u00f3n de la formaci\u00f3n de contactos \u00f3hmicos GaN HEMT basado en el aprendizaje autom\u00e1tico cu\u00e1ntico. Fuente: Advance Science.<\/figcaption><\/figure>\n\n<p class=\"has-medium-font-size\">Recientemente, un equipo de investigaci\u00f3n de la agencia cient\u00edfica nacional australiana CSIRO, en colaboraci\u00f3n con socios internacionales de China y Hong Kong, ha validado por primera vez un novedoso modelo centrado en el aprendizaje autom\u00e1tico cu\u00e1ntico (QML). Este modelo est\u00e1 dise\u00f1ado espec\u00edficamente para abordar los retos de modelizaci\u00f3n en la fabricaci\u00f3n de semiconductores y se ha aplicado con \u00e9xito al an\u00e1lisis de datos experimentales. Aclamado como una primicia mundial, este logro de investigaci\u00f3n ha sido publicado en la revista Advanced Science.<\/p>\n\n<h2 class=\"wp-block-heading has-ast-global-color-0-color has-text-color has-link-color wp-elements-8ea63055f0f15165d3a08d6482d4e30e\" id=\"qkar&#xFF1A;&#x5C08;&#x70BA;&#x5C0F;&#x6A23;&#x672C;&#x8A2D;&#x8A08;&#x7684;&#x91CF;&#x5B50;&#x56DE;&#x6B78;&#x67B6;&#x69CB;\">QKAR: una arquitectura de regresi\u00f3n cu\u00e1ntica dise\u00f1ada para muestras peque\u00f1as<\/h2>\n\n<p class=\"has-medium-font-size\">Este estudio se centra en la fabricaci\u00f3n de muestras de HEMT de GaN (transistores de alta movilidad electr\u00f3nica de nitruro de galio). Utilizando solo 159 puntos de datos experimentales, <strong>el equipo de investigaci\u00f3n desarroll\u00f3 un modelo innovador denominado Quantum Kernel Alignment Regressor (QKAR)<\/strong>. Este modelo integra el mapeo de caracter\u00edsticas Pauli-Z con una capa de kernel cu\u00e1ntico entrenable, lo que le permite extraer patrones profundos a partir de datos m\u00ednimos, manteniendo al mismo tiempo una alta precisi\u00f3n.<\/p>\n\n<p class=\"has-medium-font-size\">QKAR supera a siete regresores CML (aprendizaje autom\u00e1tico cl\u00e1sico) convencionales, lo que demuestra ventajas significativas en diversas m\u00e9tricas de error de regresi\u00f3n (como MAE, MSE, RMSE). En particular, en t\u00e9rminos de error absoluto medio (MAE), QKAR alcanza 0,338 \u03a9\u00b7mm, lo que demuestra una precisi\u00f3n y una capacidad de generalizaci\u00f3n excepcionales.<\/p>\n\n<h2 class=\"wp-block-heading has-ast-global-color-0-color has-text-color has-link-color wp-elements-639231f48555ee8c3ff027be81d72ab6\" id=\"&#x89E3;&#x6C7A;&#x8CC7;&#x6599;&#x7A00;&#x7F3A;&#x8207;&#x975E;&#x7DDA;&#x6027;&#x6311;&#x6230;-&#x91CF;&#x5B50;&#x512A;&#x52E2;&#x986F;&#x73FE;\">Abordar la escasez de datos y los retos no lineales: surge la ventaja cu\u00e1ntica<\/h2>\n\n<p class=\"has-medium-font-size\">Hist\u00f3ricamente, los modelos cl\u00e1sicos de aprendizaje autom\u00e1tico se han aplicado ampliamente en el modelado de la fabricaci\u00f3n. Sin embargo, cuando se enfrentan a muestras de peque\u00f1o tama\u00f1o, par\u00e1metros de alta dimensi\u00f3n y escenarios no lineales complejos, suelen encontrar problemas como el sobreajuste y la generalizaci\u00f3n insuficiente. El aprendizaje autom\u00e1tico cu\u00e1ntico, por el contrario, aprovecha las propiedades \u00fanicas de su n\u00facleo para captar las intrincadas interacciones entre par\u00e1metros complejos, lo que le confiere una tolerancia a los fallos y una adaptabilidad a los datos superiores.<\/p>\n\n<p class=\"has-medium-font-size\">Como afirm\u00f3 el coautor Zeheng Wang: \u00abLa industria de los semiconductores se enfrenta al doble reto de la escasez de datos y la complejidad de los procesos. Nuestra investigaci\u00f3n demuestra que los modelos cu\u00e1nticos bien dise\u00f1ados pueden identificar patrones subyacentes que escapan al alcance de los modelos cl\u00e1sicos\u00bb.<\/p>\n\n<h2 class=\"wp-block-heading has-ast-global-color-0-color has-text-color has-link-color wp-elements-88c016e1346339fbeb7f4e758ee39112\" id=\"&#x7D50;&#x5408;&#x91CF;&#x5B50;&#x8207;&#x7D93;&#x5178;&#x6280;&#x8853;-&#x5BE6;&#x9A57;&#x9A57;&#x8B49;&#x9081;&#x51FA;&#x95DC;&#x9375;&#x4E00;&#x6B65;\">Al combinar tecnolog\u00edas cu\u00e1nticas y cl\u00e1sicas, el experimento ha dado un paso crucial hacia adelante en la verificaci\u00f3n.<\/h2>\n\n<p class=\"has-medium-font-size\">Un aspecto destacado de esta investigaci\u00f3n es la arquitectura del modelo empleado, que, aunque se ejecuta en simuladores, sigue siendo compatible con el hardware NISQ (Noisy Intermediate-Scale Quantum) actual y tiene potencial para su implementaci\u00f3n directa en el futuro. El equipo fabric\u00f3 adem\u00e1s novedosos dispositivos GaN, validando experimentalmente los resultados predictivos del modelo y marcando un avance significativo hacia la implementaci\u00f3n pr\u00e1ctica de los modelos de aprendizaje autom\u00e1tico cu\u00e1ntico.<\/p>\n\n<p class=\"has-medium-font-size\">Adem\u00e1s, el estudio estableci\u00f3 un flujo de trabajo unificado de preprocesamiento PCA para garantizar comparaciones justas entre los modelos, lo que demuestra el rigor y la solidez cient\u00edfica del dise\u00f1o de la investigaci\u00f3n.<\/p>\n\n<h2 class=\"wp-block-heading has-ast-global-color-0-color has-text-color has-link-color wp-elements-a61fc8493a6851d851e4c1c5c36796ab\" id=\"&#x534A;&#x5C0E;&#x9AD4;&#x5EFA;&#x6A21;&#x8FCE;&#x4F86;&#x65B0;&#x5178;&#x7BC4;&#xFF1F;&#x91CF;&#x5B50;&#x6280;&#x8853;&#x6F5B;&#x529B;&#x7121;&#x9650;\">\u00bfUn nuevo paradigma para el modelado de semiconductores? La tecnolog\u00eda cu\u00e1ntica tiene un potencial ilimitado.<\/h2>\n\n<p class=\"has-medium-font-size\">Con el avance de la tecnolog\u00eda de computaci\u00f3n cu\u00e1ntica, sus aplicaciones se han expandido progresivamente desde simulaciones qu\u00edmicas, descifrado de criptograf\u00eda e investigaci\u00f3n de materiales hasta la ingenier\u00eda de fabricaci\u00f3n, con los procesos de semiconductores emergiendo como otro dominio fronterizo. La validaci\u00f3n exitosa del modelo QKAR significa que el aprendizaje autom\u00e1tico cu\u00e1ntico tiene el potencial de convertirse en un nuevo paradigma para el dise\u00f1o y la fabricaci\u00f3n de chips en el futuro, particularmente en escenarios caracterizados por datos escasos y condiciones de proceso complejas.<\/p>\n\n<p class=\"has-medium-font-size\">Los investigadores se\u00f1alan que, aunque los m\u00e9todos CML a\u00fan tienen margen de optimizaci\u00f3n, QML ha demostrado su potencial como herramienta auxiliar o alternativa. En el futuro, a medida que los procesadores cu\u00e1nticos sigan aumentando en escala y fidelidad, estos modelos cu\u00e1nticos tendr\u00e1n m\u00e1s oportunidades de demostrar su val\u00eda en procesos industriales pr\u00e1cticos.<\/p>\n\n<h2 class=\"wp-block-heading has-ast-global-color-0-color has-text-color has-link-color wp-elements-7677dd5c0f1e50c6a9f09c6054988b52\" id=\"&#x7D50;&#x8A9E;&#xFF1A;&#x5F9E;&#x5BE6;&#x9A57;&#x5BA4;&#x5230;&#x6676;&#x5713;&#x5EE0;&#x7684;&#x91CF;&#x5B50;&#x9769;&#x65B0;\"><strong>Conclusi\u00f3n: La innovaci\u00f3n cu\u00e1ntica, del laboratorio a la f\u00e1brica<\/strong><\/h2>\n\n<p class=\"has-medium-font-size\">Los semiconductores constituyen la base de la tecnolog\u00eda moderna, y sus procesos de fabricaci\u00f3n representan un crisol de retos t\u00e9cnicos e innovaci\u00f3n. Instituciones de investigaci\u00f3n como la CSIRO de Australia est\u00e1n aprovechando la tecnolog\u00eda cu\u00e1ntica para dar un nuevo impulso a la producci\u00f3n de semiconductores. La aplicaci\u00f3n de los laboratorios de fabricaci\u00f3n cu\u00e1ntica (QML) tiene el potencial no solo de mejorar la eficiencia de la fabricaci\u00f3n y reducir los costes, sino tambi\u00e9n de revolucionar toda la industria, desde el modelado de datos hasta la optimizaci\u00f3n de procesos.<\/p>\n\n<p class=\"has-medium-font-size\">Esta transformaci\u00f3n impulsada por el aprendizaje autom\u00e1tico cu\u00e1ntico bien podr\u00eda convertirse en el punto de inflexi\u00f3n decisivo en la carrera por los chips durante la pr\u00f3xima d\u00e9cada.<\/p>\n\n<p>Referencias<\/p>\n\n<ul class=\"wp-block-list\">\n<li>Redefiniendo los chips del futuro: el aprendizaje autom\u00e1tico cu\u00e1ntico brilla con fuerza<\/li>\n\n\n\n<li>Quantum Machine Learning Shines in Semiconductor Chip Design<\/li>\n\n\n\n<li>Quantum machine learning improves semiconductor manufacturing for first time<\/li>\n<\/ul>\n\n<p>(Fuente de la imagen destacada: Pexels)<\/p>\n\n<p>En t\u00e9rminos de molienda, ofrecemos ajustes personalizados y podemos ajustar la proporci\u00f3n seg\u00fan los requisitos de procesamiento para lograr la m\u00e1xima eficiencia.<\/p>\n\n<p style=\"line-height:0.8\">Bienvenido a contactarnos, tendremos alguien para responder sus preguntas.<\/p>\n\n<p style=\"line-height:0.8\">Si necesita un presupuesto personalizado, p\u00f3ngase en contacto con nosotros.<\/p>\n\n<p style=\"line-height:0.8\">Horario de atenci\u00f3n al cliente: lunes a viernes de 09:00 a 18:00<\/p>\n\n<p style=\"line-height:0.8\">Tel\u00e9fono: <a href=\"https:\/\/www.google.com\/search?q=%E5%AE%8F%E5%B4%B4&amp;oq=%E5%AE%8F%E5%B4%B4&amp;gs_lcrp=EgZjaHJvbWUqBggAEEUYOzIGCAAQRRg7MhAIARAuGK8BGMcBGIAEGI4FMgYIAhBFGDsyBwgDEAAYgAQyBggEEEUYPTIGCAUQRRg9MgYIBhBFGD0yBggHEEUYQdIBCDE5MDhqMGo3qAIIsAIB&amp;sourceid=chrome&amp;ie=UTF-8\" target=\"_blank\" rel=\"noreferrer noopener nofollow\">07 223 1058<\/a><\/p>\n\n<p style=\"line-height:0.8\">Si tienes alguna duda o pregunta sobre el n\u00famero de tel\u00e9fono, no dudes en enviar un mensaje privado a Facebook~~<\/p>\n\n<p style=\"line-height:0.8\">Facebook de Honway: <a href=\"https:\/\/lihi.cc\/LhR8c\" target=\"_blank\" rel=\"noreferrer noopener nofollow\">https:\/\/www.facebook.com\/honwaygroup<\/a><\/p>\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link has-ast-global-color-0-background-color has-background wp-element-button\" href=\"https:\/\/honwaygroup.com\/%e5%8e%9f%e7%89%a9%e6%96%99-2\/\" target=\"_blank\" rel=\"noreferrer noopener\">Somos Hongway. Controlamos nuestras materias primas desde el origen para garantizar la calidad de nuestros productos y ofrecerle opciones personalizadas.<\/a><\/div>\n<\/div>\n\n<ul class=\"wp-block-jetpack-sharing-buttons has-normal-icon-size jetpack-sharing-buttons__services-list\" id=\"jetpack-sharing-serivces-list\">\n<\/ul>\n\n<div style=\"height:100px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n<p>Art\u00edculos que te pueden interesar&#8230;<\/p>\n\n<div class=\"wp-block-columns is-layout-flex wp-container-core-columns-is-layout-28f84493 wp-block-columns-is-layout-flex\">\n<div class=\"wp-block-column is-layout-flow wp-block-column-is-layout-flow\" style=\"flex-basis:100%\"><p>[wpb-random-posts]<\/p>\n<\/div>\n<\/div>\n\n<p><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Actualmente, la fabricaci\u00f3n de semiconductores se enfrenta a retos t\u00e9cnicos cada vez m\u00e1s complejos, especialmente en procesos cr\u00edticos como el modelado de contactos \u00f3hmicos, donde los enfoques tradicionales de inteligencia artificial est\u00e1n llegando gradualmente a sus l\u00edmites. Sin embargo, una investigaci\u00f3n pionera de la agencia cient\u00edfica nacional australiana CSIRO ha sido pionera en la aplicaci\u00f3n del aprendizaje autom\u00e1tico cu\u00e1ntico (QML) al an\u00e1lisis de datos de procesos de semiconductores del mundo real, demostrando un rendimiento superior al de los m\u00e9todos cl\u00e1sicos. Este avance no solo demuestra el potencial de la tecnolog\u00eda cu\u00e1ntica en entornos de baja muestra y alta dimensi\u00f3n, sino que tambi\u00e9n abre posibilidades completamente nuevas para el dise\u00f1o de chips y la optimizaci\u00f3n de procesos. Este art\u00edculo profundiza en este logro de investigaci\u00f3n pionero a nivel mundial y explora c\u00f3mo puede remodelar la trayectoria futura del desarrollo de semiconductores.<\/p>\n","protected":false},"author":1,"featured_media":126697,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"disabled","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[10331,10332],"tags":[10339],"class_list":["post-126695","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-columna-de-conocimiento","category-nueva-ciencia-y-tecnologia","tag-semiconductor-es"],"_links":{"self":[{"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/posts\/126695","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/comments?post=126695"}],"version-history":[{"count":0,"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/posts\/126695\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/media\/126697"}],"wp:attachment":[{"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/media?parent=126695"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/categories?post=126695"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/honwaygroup.com\/es\/wp-json\/wp\/v2\/tags?post=126695"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}