기술 요약: 반도체 제조를 위한 물리 정보 기반 생성형 AI (Physics-informed Generative AI)

문제 정의

본 논문은 현재의 생성형 AI 패러다임과 물리적 시스템, 특히 반도체 제조 요구사항 사이의 결정적인 불일치를 지적한다. 생성 모델(예: 확산 모델, LLM)은 '그럴듯함(plausibility)'이 주요 지표인 지각적 영역에서는 탁월한 성능을 보이지만, '유효성(validity)'이 이진적(binary)으로 결정되는 물리적 영역에서는 실패한다. 반도체 제조에서 물리적 제약 조건(리소그래피, 수송, 반응, 소자 물리학)을 위반하는 마스크, 레이아웃 또는 공정 레시피가 생성되는 것은 단순히 품질이 낮은 문제가 아니라, 사용 불가능하며 수율 손실을 초래하는 문제이다.

핵심 문제는 데이터 기반의 표준 생성 모델들이 유효한 설계의 '외형'만을 학습할 뿐, 이를 정의하는 '지배 방정식(governing equations)'을 학습하지 못한다는 점이다. 이는 다음과 같은 세 가지 구체적인 실패 모드로 이어진다:

1. 그럴듯하지만 유효하지 않은 출력 (Plausible but Invalid Outputs): 모델이 훈련 데이터와 유사한 기하학적 구조를 생성하지만, 최소 인쇄 가능 치수, 공정 윈도우 또는 설계 규칙을 위반하는 경우.
2. 합성 데이터의 인과적 충실도 상실 (Loss of Causal Fidelity in Synthetic Data): 순수하게 데이터 중심적인 모델로 생성된 합성 결함 데이터는 기저의 공정 물리(예: 툴 마모, 새로운 소모품) 변화에 따라 올바르게 이동(shift)하지 못하며, 이로 인해 생산 현장의 분류기(classifier)가 실패하게 된다.
3. 역설계 함정 (Inverse Design Traps): 학습된 매니폴드(manifold) 상에서의 최적화는 모델에게는 최적의 솔루션을 제공할지라도, 물리적으로는 불가능한 솔루션을 생성한다. 이는 모델이 진정한 물리적 파레토 프런티어(Pareto frontier)를 인코딩하지 못했기 때문이다.

본 논문은 사후 필터링(post-hoc filtering)(샘플을 생성한 후 시뮬레이션을 통해 유효하지 않은 것을 거르는 방식)이 계산 비용이 많이 들고, 생성기의 내부 표현(internal representation)을 개선하지 못하며, 확장성이 떨어진다는 이유로 불충분하다고 주장한다.

방법론 및 아키텍처 프레임워크

본 논문은 "물리 법칙을 페널티로 사용하는 것"에서 **"구조적으로 물리 정보를 포함하는 것(physics-informed by construction)"**으로의 전환을 제안한다. 이는 물리 법칙을 단순한 손실 함수나 필터가 아니라, 모델의 구조 자체에 직접 인코딩하여 유효한 출력이 모델의 구조에 의해 보장되도록 하는 것을 의미한다.

저자들은 물리 결합(coupling)의 스펙트럼(표 2)을 정의하며 다음을 구분한다:

• 사후 스크리닝 (Post-hoc Screening): 생성기와 물리 솔버가 분리되어 있으며, 생성된 후 부적합한 샘플을 거부함.
• 물리 손실 정규화 (Physics-Loss Regularization): 물리적 잔차(residual)를 훈련 목적 함수에 추가하여 편향을 주지만, 유효성을 보장하지는 못함.
• 솔버 인 더 루프 (Simulator-in-the-Loop): 미분 가능한 솔버가 샘젤링 과정을 가이드하여(예: 그래디언트를 통해), 매 단계마다 생성 궤적을 실행 가능한 방향으로 유도함.
• 하드 제약 생성 (Hard-Constrained Generation): 출력 파라미터화 자체가 물리 법칙을 만족하도록 구조적으로 제약됨.

본 논문은 이러한 "구조적(by construction)" 접근 방식을 가능하게 하는 네 가지 핵심 아키텍처 툴킷을 조사한다:

1. 물리 정보 기반 확산 모델 (Physics-Informed Diffusion Models): PDE 잔차 또는 물리 기반 스코어링 함수를 디노이징 궤적에 직접 임베딩한다. 이를 통해 모든 중간 단계가 물리적 유효성을 향하도록 유도하여 수렴 속도와 최종 분포의 품질을 높인다.
2. PDE 제약 변분 모델 (PDE-Constrained Variational Models): 잠재 코드(latent code)를 미분 가능한 물리 솔버(예: 리소그래피, 드리프트-디퓨전)를 통해 최종 설계로 매핑하는 제약 인식 디코더를 가진 VAE를 훈련시킨다.
3. 뉴럴 오퍼레이터 사전 지식 (Neural-Operator Priors): 함수 공간 간의 매핑(예: 마스크에서 에어리얼 이미지로)을 학습하는 뉴럴 오퍼레이터를 사용하여, 생성 모델의 탐색 공간을 물리적으로 타당한 영역으로 제한하는 사전 지식으로 활용한다.
4. 구조 보존 네트워크 (Structure-Preserving Networks): 보존 법칙(예: 연속 방정식, 반응-확산)을 네트워크 파라미터화에 직접 인코딩하는 아키텍처.

주요 통합 패턴

본 논문은 데이터 기반 생성 모델과 물리 기반 시뮬레이터가 만나는 네 가지 구체적인 통합 패턴을 제시한다 (그림 3):

1. 제약 기반 생성 공정 계획 (Constrained Generative Process Planning): LLM과 공정 규칙 검사기를 결적으로 결합한다. LLM은 조합론적 탐색 휴리스틱을 처리하고, 솔버는 툴 역량 및 열 예산에 대한 하드 실행 가능성 제약을 제공한다.
2. 물리 제어 합성 데이터 생성 (Physics-Governed Synthetic Data Generation): 물리 기반 고장 모드 시뮬레이터(브릿징, 보이드 등을 포착)의 파라미터를 섭동시켜 결함을 생성하고, 이를 학습된 외형 모델을 통해 렌더링한다. 이를 통해 합성 데이터가 공정 드리프트에 따라 올바르게 변화하도록 보장한다.
3. 시뮬레이터 조건부 역설계 (Simulator-Conditioned Inverse Design): 미분 가능한 시뮬레이터를 사용하여 어드조인트 감도 그래디언트(adjoint sensitivity gradients)를 확산 샘플러에 주입한다. 이를 통해 모델이 물리적으로 실행 가능한 설계 공간을 넓게 탐색하도록 하여, 표준 최적화 도구보다 시뮬레이션 호출 횟수를 수십 배 이상 줄일 수 있다.
4. 멀티모달 파운데이션 모델 (Multimodal Foundation Models): 텍스트, 레이아웃/네트리스트 기하학, 시뮬레이션 출력(TCAD/리소그래피)을 공동으로 사전 학습하여 공유 임베딩을 생성함으로써, 현재 전문가의 번역 작업이 필요한 추론을 가능하게 하는 장기적 비전.

결과 및 증거

본 논문은 데이터 전용 베이스라인 대비 물리 정보 기반 아키텍처의 효용성을 입증하기 위해 최근의 시연 사례들을 인용한다 (표 3):

• 마스크 최적화: 물리 가이드 확산 모델은 제조 가능성을 고려한 기하학적 구조를 유지하면서도, 데이터 전용 딥러닝에 비해 시뮬레이션 호출 횟수를 획기적으로 줄였다.
• 역설계: 디노이징 단계에 주입된 어드조인트 그래디언트는 최첨단 비선형 최적화 도구보다 약 3배 적은 시뮬레이션만으로 목표 성능 지표에 도달했다.
• 유효성: 하드 제약 또는 시뮬레이터 인 더 루프 가이드를 갖춘 모델은 구조적으로 물리적 유효 후보를 복구해내며, 부적합한 샘플을 사후에 거르는 과정을 제거한다.

본 논문은 사후 필터링이 생존한 샘플의 유효성은 높일 수 있지만, 구조적 결합만이 물리 법칙을 탐색 효율성으로 전환할 수 있음을 강조한다.

의의 및 주장

본 논문의 핵심 주장은 분석적이다: 반도체 제조에서 물리적 유효성은 단순한 제약 조건이 아니라 성공의 핵심 기준이다. 따라서 유효성을 구조적으로 강제하는 아키텍처가 사후에 필터링하는 방식보다 근본적으로 우월하다.

이 관점의 의의는 다음과 같다:

1. 새로운 설계 철학의 정의: 물리를 (사후 필터가 아닌) 모델의 구조적 속성으로 취급하는 것이 생성형 AI를 단순한 아이디어 도구가 아닌, 팹(fab) 스택의 '하중을 견디는 핵심 구성 요소(load-bearing component)'로 만드는 유일한 길이라고 주장한다.
2. 연구 의제 설정: 논문은 3단계 로드맵을 제안한다:
   • 단기 (2026–2027): 시각적 품질 지표가 아닌, 독립적인 물리 솔버를 통과하는 생성 샘플의 비율을 측정하는 물리적 충실도 벤치마크 구축.
   • 중기 (2027–2030): 시뮬레이터 인 더 루프 훈련을 가능하게 하는 미분 가능한 팹 시뮬레이터(오픈 소스 재구현 및 고충실도 대리 모델) 인프라 구축.
   • 장기 (2030+): 텍스트, 레이아웃, 시뮬레이션 코퍼스를 공동 학습하는 멀티모달 파운데이션 모델 개발.
3. 인증 문제 해결: 생성형 시스템을 고신뢰도 생산 라인(예: 차량용 반도체)에 적용하기 위한 자격 검증(qualification)의 중요성을 강조하며, 커뮤니티가 인증 기관과 직접 협력해야 한다고 주장한다.

결론적으로, 본 논문은 생성형 AI를 반도체 컨텍스트로 도입하는 모든 코드베이스와 제품 로드맵에서 "물리를 구조로 볼 것인가, 필터로 볼 것인가"의 선택이 지금 이 순간 이루어지고 있다고 말한다. 오직 전자의 방식만이 향만큼 발전된 제조의 다음 10년을 정의할 것이다.