論文の概要: Physics-informed generative AI for semiconductor manufacturing: Enforcing hard physical constraints in generative models by construction

• arxiv url: http://arxiv.org/abs/2606.11247v1
• Date: Mon, 08 Jun 2026 07:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.080854
• Title: Physics-informed generative AI for semiconductor manufacturing: Enforcing hard physical constraints in generative models by construction
• Title（参考訳）: 半導体製造のための物理インフォームド生成AI:構成による生成モデルにおけるハード物理制約の強化
• Authors: Yaser Mike Banad, Sarah Sharif,
• Abstract要約: 生成モデルは、物理システムの設計、データ、制御アクションの提案にますます使われている。 半導体製造は需要の高いテストケースを提供する。 このパースペクティブは、制約された物理領域のための生成AIは、構成によって物理インフォームされなければならないと主張している。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models are increasingly used to propose designs, data, and control actions for physical systems, yet many such systems are governed by hard physical constraints rather than by perceptual plausibility. Semiconductor manufacturing provides a demanding test case: generated masks, layouts, synthetic defect data, and process recipes must obey lithography, transport, reaction, and device-physics constraints, because physically invalid samples are not merely low quality but unusable. This Perspective argues that semiconductor manufacturing exposes a broader computational-science challenge, namely that generative AI for constrained physical domains must be physics-informed by construction, not corrected only through post-hoc filtering. We survey the emerging architectural toolkit, including physics-informed diffusion, PDE-constrained variational models, neural-operator priors, and conservation-law-respecting generative networks, and show how it connects to differentiable lithography, TCAD, process simulation, and autonomous experimentation. We identify four integration patterns between generative models and physics-based simulators, and we propose a research agenda centered on physics-fidelity benchmarks, differentiable simulator infrastructure, and multimodal foundation models for physical design and manufacturing. The central claim is analytical rather than rhetorical: where physical validity is the binding criterion of success, architectures that enforce it by construction should be expected to outperform those that filter for it after the fact, and the fab is the setting where this distinction is sharpest.
• Abstract（参考訳）: 生成モデルは、物理システムの設計、データ、制御アクションの提案にますます使われているが、そのようなシステムの多くは知覚的妥当性ではなく、厳しい物理的制約によって管理されている。 生成マスク、レイアウト、合成欠陥データ、プロセスのレシピはリソグラフィ、輸送、反応、デバイス物理の制約に従う必要がある。 このパースペクティブは、半導体製造がより広範な計算科学的な課題を露呈している、すなわち、制約された物理領域のための生成AIは、ポストホックフィルタリングによってのみ修正されるのではなく、構成によって物理インフォームされなければならない、と論じている。 本稿では,物理インフォームド拡散,PDE制約変動モデル,ニューラル・オペレーショナル・オペレーショナル・プレファレンス,保全法を反映した生成ネットワークなど,新たなアーキテクチャ・ツールキットを探索し,リソグラフィやTCAD,プロセスシミュレーション,自律的な実験などとの関連性を示す。 生成モデルと物理ベースシミュレータの4つの統合パターンを同定し,物理忠実度ベンチマーク,微分可能なシミュレータ基盤,物理設計と製造のためのマルチモーダル基礎モデルを中心に研究課題を提案する。 物理的妥当性が成功の束縛基準である場合、建設によってそれを強制するアーキテクチャは、事実の後にフィルターするアーキテクチャよりも優れていることが期待され、ファブは、この区別が最も鋭い設定である。

関連論文リスト

• Rollback-Free Stable Brick Structures Generation [51.856925926010184]
  既存のアプローチでは、リジェクションサンプリングとブロック・バイ・ブロックのロールバックを行うために、推論中に外部物理シミュレータに依存している。 本稿では,身体的妥当性をテスト時間補正からトレーニング時間ポリシー最適化にシフトさせる強化学習パラダイムを提案する。 実験結果から,提案手法は予測速度を桁違いに向上させつつ,最先端の生成品質を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-07T21:06:44Z)
• PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
  本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。 i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
  論文  参考訳（メタデータ） (2026-04-30T17:53:03Z)
• Rethinking Scientific Modeling: Toward Physically Consistent and Simulation-Executable Programmatic Generation [8.067859101380389]
  非実行可能または物理的に一貫性のない出力は、厳密な工学的制約の下では依然として一般的である。 物理に一貫性のある自動建築モデリングのための枠組みを提案する。 CivilInstructは、構造工学の知識と制約推論を形式化するドメイン固有のデータセットとして導入された。 MBEvalは、実行可能性と構造的ダイナミクスの一貫性を評価する検証駆動ベンチマークとして提示される。
  論文  参考訳（メタデータ） (2026-02-06T06:57:04Z)
• PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
  物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。 本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。 このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
  論文  参考訳（メタデータ） (2026-01-16T08:40:10Z)
• A Foundation Model for Material Fracture Prediction [37.06207593775499]
  フラクチャー予測のためのデータ駆動基礎モデルを提案する。 シミュレーター、幅広い材料、様々な負荷条件で作動する。 さまざまな下流タスクに関する最小限のデータで微調整できる。
  論文  参考訳（メタデータ） (2025-07-30T20:23:36Z)
• Physics-consistent machine learning: output projection onto physical manifolds [2.06242362470764]
  データ駆動機械学習モデルは、しばしば、費用がかかるかアクセス不能な広範囲なデータセットを必要とする。 本稿では,物理原理の遵守を直接実施する新しい物理一貫性機械学習手法を提案する。 本手法はバネ質量系と低温反応性プラズマの2つの系で実証された。
  論文  参考訳（メタデータ） (2025-02-11T13:18:19Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Surrogate Modeling for Physical Systems with Preserved Properties and Adjustable Tradeoffs [0.0]
  代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。 後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。 我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
  論文  参考訳（メタデータ） (2022-02-02T17:07:02Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。