半導体製造のための物理情報生成AI：生成モデルにおけるハードな物理制約の構成的強制

新たに発表された展望論文は、半導体製造などの物理的制約が厳しい領域において、生成AIモデルは事後フィルタリングに頼るのではなく、構成によって物理情報を組み込む必要があると強調している。この研究はYaser Mike Banadらによって行われ、プレプリントが2026年6月8日にarXiv（ID: 2606.11247）に公開された。

半導体製造は生成モデルに厳しい課題を突きつける。生成されるフォトマスク、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ず、物理的に無効なサンプルは単に品質が低いだけでなく、使用不可能である。著者らは、この要求がより広範な計算科学上の課題を露呈していると指摘する。すなわち、制約のある物理領域における生成AIは、事後的な修正ではなく、構成によって物理情報を組み込む必要があるということである。

本論文は、物理情報拡散、PDE制約変分モデル、ニューラルオペレータ事前分布、保存則を尊重する生成ネットワークを含む新しいアーキテクチャツールキットを概観し、これらが微分可能リソグラフィ、TCAD、プロセスシミュレーション、自律実験とどのように結びつくかを示している。研究チームは、生成モデルと物理シミュレータの間の4つの統合パターンを特定し、物理忠実度ベンチマーク、微分可能シミュレータインフラ、物理設計と製造のためのマルチモーダル基盤モデルを中心とした研究課題を提案している。

中心的な主張は分析的なものであり、修辞的なものではない。物理的妥当性が成功の決定的基準である場合、構成によってそれを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ものよりも優れると期待されるべきであり、半導体工場はこの区別が最も顕著な設定である。論文には関連文献や引用ツール、arXivプラットフォームの情報も含まれており、今後の研究に豊富な参考資料を提供している。