面向半导体制造的物理信息生成式人工智能：通过构造方式强制执行生成模型中的硬物理约束

arXiv cs.LG 论文
physics-informed generative-ai semiconductor-manufacturing diffusion-models physical-constraints differentiable-lithography research-agenda

摘要

本文认为，用于半导体制造的生成式人工智能必须通过构造方式强制执行硬物理约束，而非事后过滤，并综述了如物理信息扩散和神经算子先验等架构方法以实现物理保真度。

arXiv:2606.11247v1 Announce Type: new 摘要：生成模型越来越多地被用于为物理系统提出设计、数据和控制动作，然而许多此类系统受硬物理约束而非感知合理性的支配。半导体制造提供了一个严苛的测试案例：生成的掩模、布局、合成缺陷数据和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质量低下，而且不可用。本文认为，半导体制造揭示了一个更广泛的计算科学挑战，即面向受限物理领域的生成式人工智能必须通过构造方式实现物理信息驱动，而不仅仅是通过事后过滤来修正。我们综述了新兴的架构工具包，包括物理信息扩散、PDE约束变分模型、神经算子先验和守恒律尊重生成网络，并展示了它如何连接到可微光刻、TCAD、工艺仿真和自主实验。我们识别了生成模型与基于物理的模拟器之间的四种集成模式，并提出了一个以物理保真度基准、可微模拟器基础设施以及面向物理设计和制造的多模态基础模型为中心的研究议程。核心主张是分析性的而非修辞性的：在物理有效性是成功的关键标准之处，通过构造强制执行它的架构应当被预期优于事后过滤的架构，而半导体工厂正是这一区别最为明显的环境。
查看原文
查看缓存全文

缓存时间: 2026/06/11 13:45 

# 物理信息生成式AI用于半导体制造：通过构造方式在生成模型中强制硬物理约束
来源：https://arxiv.org/abs/2606.11247
查看PDF (https://arxiv.org/pdf/2606.11247)

> 摘要：生成模型越来越多地被用于为物理系统提出设计、数据和控制动作，然而许多此类系统受硬物理约束支配，而非视觉合理性。半导体制造提供了一个严峻的测试案例：生成的掩模、布局、合成缺陷数据和工艺配方必须遵守光刻、传输、反应和器件物理约束，因为物理无效的样本不仅质量低下，而且无法使用。本观点文章认为，半导体制造揭示了一个更广泛的计算科学挑战，即面向约束物理领域的生成式AI必须通过构造方式实现物理信息集成，而非仅通过事后过滤进行纠正。我们调查了新兴的架构工具集，包括物理信息扩散、偏微分方程约束的变分模型、神经算子先验以及遵守守恒律的生成网络，并展示了它们如何与可微光刻、TCAD、工艺仿真和自主实验相联系。我们确定了生成模型与基于物理的仿真器之间的四种集成模式，并提出了一个以物理保真度基准、可微仿真器基础设施以及面向物理设计和制造的多模态基础模型为核心的研究议程。核心主张是分析性的而非修辞性的：在物理有效性是成功的关键标准的场景中，通过构造方式强制物理有效性的架构有望优于事后过滤的架构，而晶圆厂正是这一区别最为明显的环境。

## 提交历史

来自：Yaser Banad [查看邮件 (https://arxiv.org/show-email/fd9ffae5/2606.11247)] **\[v1\]** 2026年6月8日星期一 07:06:11 UTC (1,098 KB)

相似文章

AI驱动的高科技系统设计合成：自动化创新

arXiv cs.AI

本文提出了一种设计自动化（AiD）方法，利用计算设计综合与深度学习及生成式AI，自动创建新颖的高科技系统，并通过两个案例研究（电驱动系统和空间尺寸问题）进行了演示。