生成モデルは、物理システムの設計、データ、制御行動を提案するためにますます使用されているが、多くのシステムは知覚的なもっともらしさではなく、ハードな物理制約によって支配されている。半導体製造は厳しいテストケースを提供する。生成されたマスク、レイアウト、合成欠陥データ、プロセスレシピは、リソグラフィ、輸送、反応、デバイス物理の制約に従わなければならない。なぜなら、物理的に無効なサンプルは単に品質が低いだけでなく、使用不可能だからである。
arXivに掲載されたこの視点論文（arXiv:2606.11247v1、2026年6月8日提出）は、Yaser Mike Banadら2名の著者によるもので、機械学習（cs.LG）に分類され、人工知能（cs.AI）とハードウェアアーキテクチャ（cs.AR）にまたがる。論文の中心的主張は修辞的ではなく分析的なものである。物理的妥当性が成功の決定的基準となる場合、制約を構築によって強制するアーキテクチャは、事後的にフィルタリングするアーキテクチャよりも優れた性能を発揮すると期待されるべきであり、ファブはこの違いが最も鮮明に現れる場である。
著者らは、半導体製造がより広範な計算科学の課題を明らかにしていると指摘する。制約された物理領域のための生成AIは、事後フィルタリングだけで修正するのではなく、構築によって物理情報化されなければならない。論文は、物理情報拡散モデル、PDE制約変分モデル、神経演算子事前分布、保存則を尊重する生成ネットワークを含む新興のアーキテクチャツールキットを調査し、これらのツールが微分可能リソグラフィ、TCAD（技術計算機支援設計）、プロセスシミュレーション、自律実験とどのように接続するかを示している。
論文は、生成モデルと物理ベースのシミュレータ間の4つの統合パターンを特定している。要約では4つのパターンの詳細は展開されていないが、それらは物理制約が生成プロセスに介入する深さを反映した、疎結合から密結合へのスペクトルを形成している。さらに著者らは、物理忠実度ベンチマーク、微分可能シミュレータ基盤、物理設計・製造向けマルチモーダル基盤モデルという3つの主要方向に焦点を当てた研究課題を提案している。
本論文は、半導体製造では生成されたサンプルがハード制約に違反すると使用できなくなることを強調している。これは、画像生成などの分野で「知覚的なもっともらしさ」が成功基準として十分である場合とは対照的である。したがって、研究コミュニティは、出力の物理的妥当性を保証する生成アーキテクチャの開発に移行し、この目標を評価・促進するためのベンチマークと基盤を確立する必要がある。