생성 모델 (Generative models)은 물리적 시스템을 위한 설계, 데이터 및 제어 동작을 제안하는 데 점점 더 많이 사용되고 있지만, 이러한 시스템 중 상당수는 지각적 타당성 (perceptual plausibility)보다는 엄격한 물리적 제약 조건 (hard physical constraints)의 지배를 받습니다. 반도체 제조는 까다로운 테스트 케이스를 제공합니다. 생성된 마스크, 레이아웃, 합성 결함 데이터 및 공정 레시피는 리소그래피 (lithography), 수송 (transport), 반응 (reaction) 및 소자 물리 (device-physics) 제약 조건을 준수해야 합니다. 왜냐하면 물리적으로 유효하지 않은 샘플은 단순히 품질이 낮은 것이 아니라 사용할 수 없기 때문입니다. 본 관점 (Perspective) 논문은 반도체 제조가 더 광범위한 계산 과학적 과제를 드러낸다고 주장합니다. 즉, 제약이 있는 물리적 영역을 위한 생성형 AI (generative AI)는 사후 필터링 (post-hoc filtering)을 통해 교정되는 것이 아니라, 구축 단계부터 물리 정보 기반 (physics-informed)이어야 한다는 것입니다. 우리는 물리 정보 기반 확산 모델 (physics-informed diffusion), PDE 제약 변분 모델 (PDE-constrained variational models), 신경 연산자 사전 확률 (neural-operator priors), 그리고 보존 법칙을 준수하는 생성 네트워크 (conservation-law-respecting generative networks)를 포함하여 새롭게 등장하는 아키텍처 도구 모음을 조사하고, 이것이 미분 가능한 리소그래피 (differentiable lithography), TCAD, 공정 시뮬레이션 (process simulation) 및 자율 실험 (autonomous experimentation)과 어떻게 연결되는지 보여줍니다. 우리는 생성 모델과 물리 기반 시뮬레이터 사이의 네 가지 통합 패턴을 식별하며, 물리적 충실도 벤치마크 (physics-fidelity benchmarks), 미분 가능한 시뮬레이터 인프라 (differentiable simulator infrastructure), 그리고 물리적 설계 및 제조를 위한 멀티모달 파운데이션 모델 (multimodal foundation models)을 중심으로 한 연구 과제를 제안합니다. 핵심 주장은 수사적이라기보다 분석적입니다. 물리적 유효성이 성공의 구속 기준인 경우, 구축 단계에서 이를 강제하는 아키텍처가 사후에 이를 필터링하는 아키텍처보다 더 나은 성능을 보일 것으로 기대되어야 하며, 팹 (fab)은 이러한 차이가 가장 극명하게 나타나는 환경입니다.