物理信息生成式AI在半导体制造中的应用：通过构造强制执行生成模型中的硬物理约束
本文论述了在半导体制造等物理约束严格的领域中，生成式AI必须从构造上嵌入物理信息，而非事后过滤。综述了物理信息扩散、PDE约束变分模型、神经算子先验等架构工具，并提出了包含物理保真度基准、可微分模拟器及多模态基础模型的研究议程。
一篇新近发表的展望文章强调，在半导体制造等物理约束严格的领域中，生成式AI模型必须从构造上嵌入物理信息，而非仅依赖事后过滤。该研究由Yaser Mike Banad等人完成，预印本于2026年6月8日提交至arXiv，编号2606.11247。
半导体制造为生成模型提出了严峻挑战：生成的光刻掩膜、布局、合成缺陷数据及工艺配方必须遵守光刻、传输、反应及器件物理约束，因为物理无效的样本不仅质量低劣，而且完全不可用。作者认为，这一需求暴露了更广泛的计算科学问题——在受约束物理领域中，生成式AI必须通过构造实现物理信息驱动，而非事后修正。
文章综述了新兴的架构工具包，包括物理信息扩散模型、PDE约束变分模型、神经算子先验以及遵守守恒律的生成网络，并展示了这些工具如何与可微分光刻、TCAD、工艺仿真及自主实验相结合。研究团队识别出生成模型与物理仿真器之间的四种集成模式，并提出了以物理保真度基准、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为核心的研究议程。
核心论点具有分析性而非修辞性：在物理有效性作为成功决定性标准的情况下，通过构造强制执行该标准的架构应优于事后过滤的架构，而半导体制造厂正是这一区别最为尖锐的场景。该论文还涵盖了相关文献、引用工具及arXiv平台信息，为后续研究提供了丰富的参考。