반도체 제조를 위한 물리 정보 기반 생성형 AI: 구조적 방식을 통해 생성 모델에 엄격한 물리적 제약조건 강제하기
Physics-informed generative AI for semiconductor manufacturing: Enforcing hard physical constraints in generative models by construction
생성 모델은 물리적 시스템을 위한 설계, 데이터, 제어 동작을 제안하는 데 점점 더 많이 사용되고 있지만, 많은 이러한 시스템은 지각적 타당성보다는 엄격한 물리적 제약조건에 의해 지배됩니다. 반도체 제조는 까다로운 테스트 케이스를 제공합니다. 생성된 마스크, 레이아웃, 합성 결함 데이터, 공정 레시피는 리소그래피, 수송, 반응, 소자 물리 제약조건을 준수해야 하며, 그 이유는 물리적으로 유효하지 않은 샘플은 단순히 품질이 낮은 것이 아니라 사용 불가능하기 때문입니다. 이 논문은 반도체 제조가 더 광범위한 계산 과학적 문제를 드러낸다고 주장합니다. 즉, 제약이 있는 물리적 영역을 위한 생성형 AI는 사후 필터링(post-hoc filtering)을 통해서만 수정되는 것이 아니라, 구조적으로 물리 정보 기반(physics-informed)이어야 한다는 것입니다. 우리는 물리 정보 기반 디퓨전(physics-informed diffusion), PDE 제약 변분 모델(PDE-constrained variational models), 신경 연산자 사전(neural-operator priors), 보존 법칙 준수 생성 네트워크(conservation-law-respecting generative networks)를 포함하여 새로 떠오르는 아키텍처 툴킷을 조사하고, 이것이 미분 가능 리소그래피(differentiable lithography), TCAD, 공정 시뮬레이션, 자율 실험과 어떻게 연결되는지 보여줍니다. 우리는 생성 모델과 물리 기반 시뮬레이터 사이의 4가지 통합 패턴을 식별하고, 물리적 충실도 벤치마크(physics-fidelity benchmarks), 미분 가능 시뮬레이터 인프라(differentiable simulator infrastructure), 물리적 설계 및 제조를 위한 멀티모달 파운데이션 모델(multimodal foundation models)을 중심으로 하는 연구 의제를 제안합니다. 핵심 주장은 수사적이기보다는 분석적입니다. 물리적 타당성이 성공의 구속 기준인 곳에서는, 이를 구조적으로 강제하는 아키텍처가 사후에 이를 필터링하는 아키텍처보다 성능이 뛰어날 것으로 예상되며, 제작 공장(fab)은 이러한 구분이 가장 명확한 환경입니다.