Technische Samenvatting: Physics-informed Generatieve AI voor Halfgeleiderproductie

Probleemstelling

Het artikel identificeert een kritieke mismatch tussen huidige generatieve AI-paradigma's en de vereisten van fysieke systemen, specifiek binnen de halfgeleiderproductie. Terwijl generatieve modellen (bijv. diffusiemodellen, LLM's) uitblinken in perceptuele domeinen waar "plausibiliteit" de primaire metriek is, falen ze in fysieke domeinen waar "validiteit" binair is. In de halfgeleiderproductie is een gegenereerd masker, lay-out of procesrecept dat de harde fysieke beperkingen (lithografie, transport, reactie, devicefysica) schendt, niet louter van lage kwaliteit; het is onbruikbaar en resulteert in opbrengstverlies (yield loss).

Het kernprobleem is dat standaard generatieve modellen, getraind op historische data, de verschijning van geldige ontwerpen leren in plaats van de governing vergelijkingen die deze definiëren. Dit leidt tot drie specifieke faalmodi:

1. Plausibele maar Ongeldige Outputs: Modellen genereren geometrieën die lijken op de trainingsdata, maar die minimale printbare afmetingen, procesvensters of designregels schenden.
2. Verlies van Causale Getrouwheid in Synthetische Data: Synthetische defectdata gegenereerd door puur datagestuurde modellen slaagt er niet in om correct te verschuiven wanneer de onderliggende procesfysica drift (bijv. slijtage van gereedschap, nieuwe verbruiksartikelen), waardoor downstream classificatiesystemen in productie falen.
3. Inverse Design Traps: Optimalisatie over geleerde manifolds produceert oplossingen die optimaal zijn voor het model, maar onhaalbaar voor de fysica, omdat het model de ware fysieke Pareto-front niet heeft gecodeerd.

Het artikel stelt dat post-hoc filtering (het genereren van samples en het verwerpen van ongeldige samples via simulatie) onvoldoende is omdat het computationeel duur is, de interne representatie van de generator niet verbetert en niet schaalbaar is.

Methodologie en Architecturaal Kader

Het artikel stelt een verschuiving voor van "physics-as-penalty" naar "physics-informed by construction." Dit betekent dat fysieke wetten direct in de generatieve architectuur worden gecodeerd, zodat geldige outputs gegarandeerd worden door de structuur van het model, en niet enkel door een loss-functie of een filter.

De auteurs definiëren een spectrum van fysieke koppeling (Tabel 2), waarbij onderscheid wordt gemaakt tussen:

• Post-hoc Screening: De generator en de fysica-solver zijn gescheiden; onhaalbare samples worden na generatie verworpen.
• Physics-Loss Regularization: Fysieke residuen worden toegevoegd aan de trainingsdoelstelling, wat de validiteit beïnvloedt maar niet garandeert.
• Simulator-in-the-Loop: Differentiabele solvers sturen het samplingsproces aan (bijv. via gradiënten), waardoor het generatiepad bij elke stap richting haalbaarheid wordt gestuurd.
• Hard-Constrained Generation: De output-parametrisatie zelf wordt zodanig beperkt dat deze door constructie aan de fysieke wetten voldoet.

Het artikel onderzoekt vier belangrijke architecturale toolkits die deze "by construction"-aanpak mogelijk maken:

1. Physics-Informed Diffusion Models: Het inbedden van PDE-residuen of physics-gebaseerde scoringfuncties direct in de denoising-trajectorie. Dit zorgt ervoor dat elke tussenstap wordt gestuurd richting fysieke validiteit, wat de convergentie en de kwaliteit van de uiteindelijke distributie verbetert.
2. PDE-Constrained Variational Models: Het trainen van Variational Autoencoders (VAEs) met constraint-bewuste decoders die latente codes door differentiabele fysica-solvers (bijv. lithografie, drift-diffusie) mappen voordat de definitieve design wordt uitgegeven.
3. Neural-Operator Priors: Het gebruik van neurale operatoren om mappingen tussen functieruimtes (bijv. masker naar aerial image) te leren en deze te gebruiken als priors om de zoekruimte van het generatieve model te beperken tot fysiek plausibele regio's.
4. Structure-Preserving Networks: Architecturen die behoudswetten (bijv. continuïteit, reactie-diffusie) direct in de netwerkparametrisatie coderen.

Belangrijke Integratiepatronen

Het artikel schetst vier specifieke integratiepatronen waar datagestuurde generatieve modellen en physics-gebaseerde simulators samenkomen (Figuur 3):

1. Constrained Generative Process Planning: Het koppelen van Large Language Models (LLMs) aan process-rule checkers. De LLM handelt combinatorische zoekheuristieken af, terwijl de solver harde haalbaarheidsbeperkingen biedt op tool-capaciteiten en thermische budgetten.
2. Physics-Governed Synthetic Data Generation: Het genereren van defecten door parameters in een physics-gebaseerde failure-mode simulator te verstoren (het vangen van bridging, voids, etc.) en deze te renderen via een geleerd verschijningsmodel. Dit zorgt ervoor dat synthetische data correct verschuift met procesdrift.
3. Simulator-Conditioned Inverse Design: Het gebruik van differentiabele simulators om adjoint sensitivity gradiënten in diffusion samplers te injecteren. Dit stelt het model in staat om de fysiek haalbare designruimte breed te verkennen, lokale minima te vermijden en het aantal simulator-oproepen met ordes van grootte te verminderen vergeleken met standaard optimalisatiemethoden.
4. Multimodale Foundation Models: Een langetermijnvisie van modellen die gezamenlijk zijn voorgetraind op tekst, layout/netlist geometrie en simulatie-outputs (TCAD/lithografie) om gedeelde embeddings over modaliteiten heen te creëren, wat redeneren mogelijk maakt dat momenteel expert-vertaling vereist.

Resultaten en Bewijs

Het artikel citeert recente demonstraties (Tabel 3) om de effectiviteit van physics-informed architecturen te valideren ten opzichte van data-only baselines:

• Mask Optimalisatie: Physics-guided diffusion modellen hebben orde van grootte reducties bereikt in het aantal simulatie-oproepen vergeleken met data-only deep learning, terwijl ze fabricage-bewuste geometrieën behouden.
• Inverse Design: Adjoint gradiënten geïnjecteerd in denoising stappen hebben doelstellingen bereikt met ongeveer driemaal minder simulaties dan state-of-the-art niet-lineaire optimalisaties.
• Validiteit: Modellen met harde beperkingen of simulator-in-the-loop guidance herstellen fysiek geldige kandidaten door constructie, waardoor de noodzaak voor post-hoc verwerping van onhaalbare samples wordt geëlimineerd.

Het artikel benadrukt dat hoewel post-hoc filtering de validiteit van overlevende samples kan verhogen, alleen koppeling op constructieniveau de fysieke wet omzet in zoekefficiëntie.

Betekenis en Claims

De centrale claim van het artikel is analytisch: Fysieke validiteit is het operationele succes-criterium in de halfgeleiderproductie, niet louter een beperking. Daarom zijn architecturen die validiteit afdwingen door constructie fundamenteel superieur aan die welke er post-hoc voor filteren.

De betekenis van dit perspectief ligt in:

1. Het Definiëren van een Nieuwe Designfilosofie: Het betoogt dat het behandelen van fysica als een structurele eigenschap van het model (in plaats van een achteraf toegepast filter) de enige weg is om generatieve AI een "load-bearing component" van de fab-stack te maken, in plaats van slechts een productiviteitsgadget voor ideatie.
2. Het Vaststellen van een Onderzoeksagenda: Het artikel stelt een driefasen-roadmap voor:
   • Korte termijn (2026–2027): Het vaststellen van physics-fidelity benchmarks die de fractie van gegenereerde samples meten die onafhankelijke physics-solvers passeren, in plaats van visuele kwaliteitsmetrieken.
   • Middellange termijn (2027–2030): Het bouwen van infrastructuur voor differentiabele fab-simulators (open-source reimplementaties en high-fidelity surrogates) om simulator-in-the-loop training mogelijk te maken.
   • Lange termijn (2030+): Het ontwikkelen van multimodale foundation models getraind op tekst, layout en simulatie-corpora.
3. Adresseren van Certificering: Het benadrukt de cruciale, vaak over het hoofd geziene uitdaging van het kwalificeren van stochastische generatieve systemen voor hoog-betrouwbare productielijnen (bijv. automotive-grade), en stelt dat de gemeenschap direct met kwalificatie-eigenaren moet samenwerken.

Het artikel concludeert dat de keuze tussen "physics-as-structure" en "physics-as-filter" nu wordt gemaakt in elke codebase en productroadmap die generatieve AI naar halfgeleidercontexten importeert. Alleen de eerste zal het volgende decennium van geavanceerde productie definiëren.