物理信息生成式 AI：面向半导体制造的新视角

arXiv 上一篇题为《Physics informed generative AI for semiconductor manufacturing》的 Perspective 论文，提出一个面向半导体制造场景的生成式 AI 研究框架。其核心主张是：当物理有效性是判断成败的硬约束时，架构层面「由构造保证」的方法应优于「事后过滤」的方法，晶圆厂正是这种差异最尖锐的场景。

研究背景与核心问题

生成式模型已被越来越多地用于为物理系统提出设计方案、合成数据或控制动作，但与图像、文本等感知类任务不同，许多工程系统受硬性物理规律约束。论文以半导体制造为切入点，指出生成的光掩模、版图、合成缺陷数据以及工艺配方必须满足光刻、输运、反应和器件物理等约束——物理上无效的样本不仅质量差，而且根本无法使用。

因此，论文认为半导体制造暴露了一个更具普遍性的计算科学问题：在受约束的物理域中应用生成式 AI 时，物理一致性必须「由架构本身保证」，而不是仅依赖后处理过滤来修补。

提出的技术工具集

论文梳理了一套正在形成中的架构工具集，用于在生成过程中内嵌物理约束，包括：

• 物理信息扩散模型（physics-informed diffusion）；
• PDE 约束的变分模型（PDE-constrained variational models）；
• 神经算子先验（neural-operator priors）；
• 守恒律约束的生成网络（conservation-law-respecting generative networks）。

这些工具被进一步连接到可微分光刻、TCAD、过程仿真和自主实验等环节，构成一个跨仿真器与生成模型的协同体系。

四类集成模式与研究议程

论文识别出生成模型与基于物理的仿真器之间存在四种集成模式，并据此提出后续研究议程，重点包括：

• 构建物理保真度基准（physics-fidelity benchmarks）；
• 建设可微分仿真器基础设施（differentiable simulator infrastructure）；
• 发展面向物理设计与制造的跨模态基础模型（multimodal foundation models）。

论文将其中心论点表述为分析性而非修辞性的：在物理有效性是决定性标准的场景下，把这一性质内建进架构的模型，理应优于依赖事后过滤来逼近物理可行的模型。

论文信息

该文于 2026 年 6 月 8 日提交至 arXiv，编号为 2606.11247，分类涵盖机器学习（cs.LG）、人工智能（cs.AI）以及硬件架构（cs.AR），由 Yaser Banad 提交，篇幅约 1,098 KB。论文属于 Perspective 而非实证研究，本身未报告新的 benchmark 分数或模型对比结果，其价值更多在于提出框架与方向。