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

本論文は、半導体製造において、生成AIモデルは事後的なフィルタリングに依存するのではなく、構築の段階で物理的な制約を厳格に強制しなければならないと主張し、物理的に妥当な設計およびプロセス最適化を実現するために、物理情報を組み込んだアーキテクチャとシミュレーション・インフラストラクチャを統合するためのアーキテクチャ・ツールキットおよび研究課題を概説するものである。

要約

ビッグアイデア：単なる絵を描くのではなく、「工場」を築く

AIに設計を教えている場面を想像してみてください。

• アートの世界では： もしAIに猫を描くよう頼み、AIが足が6本ある猫を描いたとしても、あなたは「ちょっと変だけど、可愛いね」と笑って済ませるかもしれません。唯一のルールは「見た目が良いか？」だけなので、AIはやり過ごすことができます。
• 半導体（チップ）の世界では： もしAIにコンピュータチップの設計を頼み、電流を流すには細すぎる極細の配線を描いたとしたら、その結果は単に「変」なだけではありません。それは**「使い物にならないゴミ」**です。そのチップは全く機能しません。

この論文は、チップ製造をアートプロジェクトのように扱うことはできないと主張しています。AIに「何が正解に見えるか」を推測させ、それがうまくいくことを祈るようなやり方は通用しません。そうではなく、たとえAIがやりたくても、ミスを犯すことができないようにAIを構築しなければならないのです。

問題点：「付箋（ポストイット）」によるフィルタリング

現在、多くの人々が標準的なAI（詩を書いたり画像を作ったりする種類のもの）をチップ設計に使おうとしています。彼らは次のような手順を踏んでいます：

1. AIが設計案を推測する。
2. その設計が機能するかどうかを確認するために、超複雑な物理シミュレーションを実行する。
3. もし失敗したら、それを捨ててやり直す。

著者たちはこれを**「事後フィルタリング（Post-Hoc Filtering）」**（後から修正すること）と呼んでいます。これは、シェフが料理を作り、味見をして、それが毒が入っていることに気づいてからゴミ箱に捨てる様子に例えられます。これは非常に無駄が多く、時間がかかります。

チップ製造において、これは致命的な問題です。なぜなら：

• リスクが高い： たった一つの小さなエラーが、数百万ドルのチップの損失につながります。
• データが乏しい： 「失敗したチップ」がどのようなものかをAIに教えるための、何百万枚もの失敗写真などは存在しません。
• 物理法則は厳格である： 「95%動作する」チップというものは存在しません。100%動作するか、あるいは0%かのどちらかです。

解決策：「構造による物理学の組み込み（Physics-Informed by Construction）」

この論文は、こうしたAIモデルを構築するための新しい方法を提案しています。AIに答えを推測させてからチェックさせるのではなく、物理法則をAIの脳の中に直接組み込むべきだという考え方です。

次のように考えてみてください：

• 従来の方法（美術学生）： 学生が橋を描きます。先生が計算をチェックし、その橋が崩落することを突き止め、「やり直し」と言います。
• 新しい方法（エンジニア）： 学生に、安定した橋を築く方法でしか組み合わさらないような「ブロック」を与えます。学生は、たとえ試みたとしても、崩落する橋を物理的に作ることができない仕組みになっています。

著者たちはこれを**「構造による物理学の組み込み（Physics-Informed by Construction）」**と呼んでいます。AIが生成するあらゆるものが、光、電気、熱といった物理法則に自動的に従うように設計されているのです。

ツールキット：どのように実現するか？

論文では、このようなAIを構築するためのいくつかの「ツール」を挙げています。

1. ガイデッド・ディフュージョン（Guided Diffusion）： 彫刻家が石の塊を削っていく様子を想像してください。ランダムに削るのではなく、AIは「磁石（物理法則）」によって、一歩ごとに正しい形へとノミを誘導されます。
2. 微分可能なシミュレータ（Differentiable Simulators）： 通常、コンピュータシミュレーションはブラックボックスのようなものです。数値を入力すると答えが出てくるだけです。この論文では、これらのボックスを「透明」にし、AIが答えがどのように計算されたのかを理解し、ミスから即座に学ぶことができるようにすることを目指しています。
3. ハード制約（Hard Constraints）： これはビデオゲームで、マップの外に出ることが物理的にできない状態に似ています。もし設計がルール（配線が細すぎるなど）に違反した場合、AIはその設計をそもそも生成できないようにプログラムされます。

AIと物理学を結合する4つの方法

論文では、「創造的な」AIと「厳格な」物理学を混ぜ合わせるための4つの具体的な方法を提案しています。

1. レシピ作成者（The Recipe Writer）： 製造指示（レシピ）を書くAIですが、AIが指示した内容を工場の機械が実際に実行できるかどうかを、常に「ルールブック」によってチェックされます。
2. 擬似欠陥生成器（The Fake Defect Generator）： 単に壊れたチップのランダムな画像を作るのではなく、AIが物理学を用いて、チップが実際にどのように壊れるか（例：熱による亀裂）をシミュレートします。これにより、他のAIシステムのための現実的な学習データを作成します。
3. 逆設計（The Reverse Designer）： チップを設計してからテストするのではなく、AIは目標（例：「5GHzで動作するチップが必要」）からスタートし、その設計が可能であることを保証するために物理学を用いて逆方向に設計を進めます。
4. ユニバーサル・トランスレーター（The Universal Translator）： テキスト、設計図、物理シミュレーションのすべてを同時に理解する巨大なAIという将来の目標です。これにより、エンジニアが「もっと高速なチップを作って」と言うだけで、AIが複雑な翻訳処理をすべてこなすようになります。

ロードマップ：何が必要か？

著者らは、単に「賢そうに見える」AIを作るのではなく、「本当に賢い」AIを作る必要があると述べています。彼らは3段階の計画を提案しています。

1. 現在（2026年〜2027年）： AIの「成績表」を作成すること。設計がいかに美しく見えるかではなく、どれだけの設計が物理テストに合格するかで採点します。
2. 中期（2027年〜2030年）： AIが直接学習できる、より優れた「物理エンジン」を構築すること。現在、工場で使用されているツールは、AIが容易に学習するには遅すぎ、複雑すぎます。これらを「AIフレンドリー」にする必要があります。
3. 長期（2030年以降）： テキスト指示から物理シミュレーションに至るまで、チップに関するすべてを知り尽くした、大規模で共有されたAIモデルを構築すること。これは多くの企業が協力してトレーニングを行うものです。

結論

この論文の主要なメッセージはシンプルです。チップ製造においては、悪いアイデアが作られた後にそれを取り除くのではなく、最初から悪いアイデアが作られないようにしなければならない。

もし、最初のコードの一行目から物理法則を尊重するAIを構築できれば、エンジニアが次世代のコンピュータを構築するために信頼できるツールを手にすることになります。もしそうでなければ、デモでは印象的に見えても、実際の工場では失敗してしまうようなツールを作ることになるでしょう。

技術概要

技術要約：半導体製造における物理情報に基づく生成AI

問題提起

本論文は、現在の生成AIのパラダイムと、半導体製造のような物理システムが求める要件との間にある決定的なミスマッチを指摘している。拡散モデルやLLMなどの生成モデルは、「もっともらしさ（plausibility）」が主要な指標となる知覚領域では優れているが、「妥当性（validity）」がバイナリ（二値的）である物理領域では失敗する。半導体製造において、リソグラフィ、輸送、反応、デバイス物理学などの厳しい物理的制約に違反するマスク、レイアウト、またはプロセスレシピが生成された場合、それは単に品質が低いだけでなく、使用不可能であり、歩留まりの低下を招く。

核心となる問題は、標準的な生成モデルは履歴データに基づいて学習を行うため、設計の「外観」を学習してしまい、それを定義する「支配方程式」を学習しないことにある。これにより、以下の3つの具体的な失敗モードが生じる：

1. もっともらしいが不適切な出力： モデルは訓練データに似た形状を生成するが、最小印刷寸法、プロセスウィンドウ、または設計ルールに違反する。
2. 合成データにおける因果的忠実度の喪失： 純粋にデータ駆動型のモデルによって生成された合成欠陥データは、基礎となるプロセス物理（例：ツールの摩耗、新しい消耗品）がドリフトした際に正しくシフトしないため、ダウンストリームの分類器が生産現場で機能不全に陥る。
3. 逆設計の罠： 学習された多様体（manifold）上での最適化は、モデルにとっては最適であっても、物理的には実現不可能な解を生み出す。これは、モデルが真の物理的パレート境界を符号化していないためである。

本論文は、事後フィルタリング（サンプルを生成し、シミュレーションを通じて無効なものを拒否すること）は、計算コストが高く、生成器の内部表現を改善せず、スケーラビリティにも欠けるため、不十分であると主張している。

手法およびアーキテクチャの枠組み

本論文は、「物理をペナルティとする」アプローチから、**「構造による物理情報の組み込み（physics-informed by construction）」**への転換を提案している。これは、物理法則を損失関数やフィルタとしてではなく、モデルの構造自体に直接エンコードすることで、有効な出力がモデルの構造によって保証されるようにすることを意味する。

著者らは、物理結合のスペクトラム（表2）を定義し、以下を区別している：

• 事後スクリーニング（Post-hoc Screening）： 生成器と物理ソルバーが分離しており、実行不可能なサンプルは生成後に拒否される。
• 物理損失による正則化（Physics-Loss Regularization）： 物理的な残差が訓練目的関数に加えられるが、妥当性を保証するものではなく、バイアスを与えるにとどまる。
• シミュレータ・イン・ザ・ループ（Simulator-in-the-Loop）： 微分可能なソルバーがサンプリングプロセスをガイドし（例：勾配を介して）、生成の軌跡を各ステップで実現可能な方向へと導く。
• ハード制約付き生成（Hard-Constrained Generation）： 出力のパラメータ化自体が、物理法則を満たすように構造的に制約されている。

本論文は、この「構造による組み込み」を可能にする4つの主要なアーキテクチャ・ツールキットを調査している：

1. 物理情報付き拡散モデル（Physics-Informed Diffusion Models）： PDE（偏微分方程式）の残差や物理ベースのスコアリング関数を、デノイジングの軌跡に直接埋め込む。これにより、すべての中間ステップが物理的な妥当性にバイアスされ、収束性と最終的な分布の品質が向上する。
2. PDE制約付き変分モデル（PDE-Constrained Variational Models）： 微分可能な物理ソルバー（例：リソグラフィ、ドリフト拡散）を通じて潜在コードを最終的な設計へとマッピングする、制約を考慮したデコーダを持つ変分オートエンコーダ（VAE）を訓練する。
3. ニューラル演算子プライア（Neural-Operator Priors）： 関数空間（例：マスクからエアリアルイメージへ）の間のマッピングを学習するニューラル演算子を使用し、これらを生成モデルの探索空間を物理的に妥当な領域へと制約するためのプライアとして用いる。
4. 構造保存ネットワーク（Structure-Preserving Networks）： 保存則（例：連続の式、反応拡散）をネットワークのパラメータ化に直接エンコードするアーキテクチャ。

主要な統合パターン

本論文は、データ駆動型の生成モデルと物理ベースのシミュレータが出会う4つの具体的な統合パターンを概説している（図3）：

1. 制約付き生成的プロセスプランニング： LLMとプロセスルールチェッカーの結合。LLMは組合せ的な探索ヒューリスティックを扱い、ソルバーはツールの能力や熱予算に関するハードな実現可能性制約を提供する。
2. 物理制御による合成データ生成： 物理ベースの故障モードシミュレータ（ブリッジング、ボイドなどを捉える）においてパラメータを摂動させることで欠陥を生成し、学習された外観モデルを通じてそれらをレンダリングする。これにより、合成データがプロセスドリフトに伴って正しくシフトすることを保証する。
3. シミュレータ条件付き逆設計： 微分可能なシミュレータを使用して、随伴感度勾配（adjoint sensitivity gradients）を拡散サンプラーに注入する。これにより、モデルは物理的に実現可能な設計空間を広く探索でき、標準的な最適化手法と比較してシミュレーション呼び出し回数を数桁削減できる。
4. マルチモーダル・ファウンデーションモデル： テキスト、レイアウト/ネットリストの幾何学、およびシミュレーション出力（TCAD/リソグラフィ）を共同で事前学習し、モダリティ間の共有埋め込みを作成することで、現在は専門的な翻訳を必要とする推論を可能にする長期的なビジョン。

結果とエビデンス

本論文は、データのみのベースラインに対して物理情報付きアーキテクチャの有効性を検証するために、最近の実証例（表3）を引用している：

• マスク最適化： 物理ガイド付き拡散モデルは、製造を考慮した幾何学形状を維持しながら、データのみのディープラーニングと比較して、シミュレーション呼び出し回数を桁違いに削減することに成功した。
• 逆設計： デノイジングステップに注入された随伴勾配は、最新の非線形最適化手法よりも約3倍少ないシミュレーション回数で、目標となる性能指標に到達した。
• 妥当性： ハード制約またはシミュレータ・イン・ザ・ループのガイダンスを持つモデルは、構造的に物理的に妥当な候補を復元し、実行不可能なサンプルを事後的に拒否する必要性を排除している。

本論文は、事後フィルタリングは「生き残った」サンプルの妥当性を高めることはできるが、構造レベルの結合こそが、物理法則を探索効率へと変換することを強調している。

意義と主張

本論文の中心的な主張は分析的である：半導体製造においては、物理的妥当性が単なる制約ではなく、成功の決定的な基準である。 したがって、妥当性を構造として強制するアーキテクチャは、事後的にフィルタリングするものよりも根本的に優れている。

この視点の重要性は以下の点にある：

1. 新しい設計哲学の定義： 物理を（事後のフィルタではなく）モデルの構造的特性として扱うことこそが、生成AIを単なるアイデアのための生産性向上ツールではなく、ファブ・スタックの「荷重を支えるコンポーネント（load-bearing component）」にする唯一の道であると論じている。
2. 研究アジェンダの確立： 論文は3つのホライゾンからなるロードマップを提案している：
   • 短期（2026–2027年）： 視覚的な品質指標ではなく、独立した物理ソルバーを通過する生成サンプルの割合を測定する、物理的忠実度のベンチマークを確立する。
   • 中期（2027–2030年）： シミュレータ・イン・ザ・ループの訓練を可能にするため、微分可能なファブシミュレータ（オープンソースの再実装および高精度なサロゲートモデル）のインフラを構築する。
   • 長期（2030年以降）： テキスト、レイアウト、およびシミュレーションコーパスを共同で学習したマルチモーダル・ファウンデーションモデルの開発。
3. 認証への対応： 高信頼性生産ライン（例：車載グレード）における確率的生成システムの適格性確認という、極めて重要かつ見落とされがちな課題を強調し、コミュニティが資格保有者と直接関わる必要があると論じている。

本論文は、生成AIを半導体コンテキストに導入する際の、生成AIの選択は「物理を構造とするか」それとも「物理をフィルタとするか」という選択であると結論付けている。前者のみが、次の10年の高度な製造業を定義することになる。