新上线今天0 投票
物理信息生成式AI：将硬约束内建于半导体制造模型
生成式AI正在越来越多地被用于物理系统的设计、数据生成和控制决策，但许多物理系统（如半导体制造）受到严格的物理约束，而非仅凭感知合理性。一篇新近发布的arXiv论文（arXiv:2606.11247）明确提出：在半导体制造中，生成式模型必须通过构造方式内建物理约束，而非依赖事后过滤来修正无效样本。
核心挑战：硬约束下的生成
半导体制造涉及光刻、传输、反应和器件物理等复杂过程，生成的掩模版、布局、合成缺陷数据和工艺配方必须严格符合物理定律。与图像生成不同，物理上无效的样本不是“质量差”，而是完全不可用。例如，一个违反光刻衍射极限的掩模版可能直接导致晶圆报废。
技术路线：四大架构方向
论文系统梳理了当前可用于内建物理约束的生成模型架构，包括：
- 物理信息扩散模型：在扩散过程中嵌入物理方程，确保生成样本满足偏微分方程约束。
- PDE约束变分模型：通过变分框架将偏微分方程作为硬约束。
- 神经算子先验：利用神经算子学习物理系统的解映射，作为生成模型的先验分布。
- 守恒律生成网络：设计网络结构使其输出天然满足质量、动量、能量等守恒定律。
这些架构可与可微光刻、TCAD（技术计算机辅助设计）、工艺仿真和自主实验平台深度集成，形成闭环优化。
四种集成模式与未来议程
作者识别了生成模型与物理仿真器之间的四种集成模式：
- 前向仿真约束：将仿真器作为可微层嵌入生成网络。
- 逆向设计约束：利用隐式物理损失反向优化生成过程。
- 混合先验：将仿真数据作为先验，与生成模型联合训练。
- 自主实验循环：生成模型指导实验设计，实验反馈修正生成。
研究议程包括：构建物理保真度基准测试、开发可微仿真基础设施，以及打造面向物理设计与制造的多模态基础模型。
产业意义与结论
论文的核心论点具有清晰的分析性而非修辞性：当物理有效性成为成功的硬性标准时，通过构造内建约束的架构将显著优于事后过滤的方案。半导体工厂（Fab）正是这一区别最尖锐的场景。随着芯片制程向3nm以下推进，物理约束的复杂性呈指数级增长，传统依赖人工规则和事后校验的方法已难以为继。物理信息生成式AI有望成为下一代半导体制造自动化的关键使能技术。