Zespół naukowców z arXiv publikuje perspektywę na temat wyzwania, które stanowi zastosowanie generatywnej AI w produkcji półprzewodników. Problem jest fundamentalny: tradycyjne modele generatywne optymalizują się pod kątem estetyki i wiarygodności perceptualnej, ale w inżynierii fizycznej to nie wystarczy. Wygenerowana maska litograficzna czy receptura procesowa, jeśli narusza prawa fizyki, nie może być użyta – to nie jest niski wynik, to jest bezwzględny brak.
Rozwiązaniem są modele, które od samego początku zawierają fizyczne ograniczenia w swojej strukturze. Artykuł omawia rosnący arsenal narzędzi: physics-informed diffusion, modele zmiennościowe ograniczone PDE, operatory neuronowe bazujące na fizykę, oraz sieci generatywne respektujące prawa zachowania. Autorzy pokazują, jak te podejścia łączą się z narzędziami już znanymi branży, takimi jak litografia różniczkowalna czy symulatory procesów (TCAD).
Zawarte w artykule čtery wzorce integracji między modelami generatywnymi a symulatorami fizykalnymi wskazują na przyszłe kierunki: potrzebne są benchmarki mierzące dokładność fizyczną, infrastruktura symulatorów zdolna do propagacji gradientów, oraz foundation modele oparte o fizykę dla projektowania i produkcji. To nie jest tylko akademicka ciekawostka – to odpowiedź na praktyczne potrzeby branży.