生成式模型正越来越多地用于为物理系统提出设计、生成数据和控制动作，但许多系统受到硬物理约束的支配，而不仅仅是感知上的合理性。半导体制造提供了一个严苛的测试场景：生成的掩模、版图、合成缺陷数据以及工艺配方必须遵守光刻、输运、反应和器件物理约束，因为物理上无效的样本不仅仅是质量低，而是完全不可用。
这篇发表于arXiv的立场论文（arXiv:2606.11247v1，2026年6月8日提交）由Yaser Mike Banad等两位作者撰写，属于机器学习（cs.LG）类别，并交叉涉及人工智能（cs.AI）和硬件架构（cs.AR）。文章的核心论点是分析性的而非修辞性的：当物理有效性成为成功的决定性标准时，那些通过构造方式强制满足约束的架构，应当比事后过滤的架构表现更优，而晶圆厂正是这一区别最为鲜明的场景。
作者指出，半导体制造暴露了一个更广泛的计算科学挑战：面向受约束物理领域的生成式AI必须在构造上就是物理信息化的，而不能仅通过事后过滤来修正。文章调研了新兴的架构工具箱，包括物理信息扩散模型、PDE约束变分模型、神经算子先验以及尊重守恒律的生成网络，并展示了这些工具如何与可微分光刻、TCAD（技术计算机辅助设计）、工艺仿真和自主实验相连接。
论文识别了生成模型与基于物理的仿真器之间的四种集成模式。虽然摘要未详细展开这四种模式的具体内容，但它们构成了从松耦合到紧耦合的谱系，反映了物理约束在生成过程中介入的深度。此外，作者提出了一个研究议程，聚焦于三个关键方向：物理保真度基准、可微分仿真器基础设施，以及面向物理设计与制造的多模态基础模型。
该论文强调，在半导体制造中，生成的样本只要违反任何一个硬约束就无法使用，这与图像生成等领域中“感知合理性”足以作为成功标准的情况形成鲜明对比。因此，研究社区需要转向开发能够保证输出物理有效性的生成架构，并建立相应的基准和基础设施来评估和促进这一目标。