최근 생성형 AI(Generative AI)는 다양한 물리 시스템의 설계, 데이터 생성, 제어 액션 제안 등 여러 분야에서 활용도가 높아지고 있습니다. 하지만 반도체 제조와 같이 엄격한 물리적 제약 조건이 요구되는 분야에서는 단순히 그럴듯해 보이는 결과물이 아닌, 실제 물리 법칙을 정확히 따르는 결과물이 필수적입니다. 예를 들어, 생성된 반도체 마스크나 레이아웃, 합성 결함 데이터, 공정 레시피 등은 리소그래피, 전송, 반응, 소자 물리학적 제약을 반드시 준수해야 합니다. 물리적으로 유효하지 않은 샘플은 품질이 낮은 것을 넘어 아예 사용할 수 없기 때문입니다.
이러한 문제를 해결하기 위해, 새로운 연구는 생성형 AI가 물리적 제약을 사후 필터링으로 걸러내는 방식이 아니라, 설계 단계부터 '물리 정보 기반(Physics-informed)'으로 구축되어야 한다고 주장합니다. 연구진은 물리 정보 기반 확산 모델(physics-informed diffusion), 편미분 방정식(PDE) 제약 변분 모델, 신경 연산자 사전(neural-operator priors), 보존 법칙 준수 생성 네트워크 등 새롭게 부상하는 아키텍처 툴킷을 소개합니다. 이 기술들은 미분 가능한 리소그래피(differentiable lithography), TCAD(기술 컴퓨터 지원 설계), 공정 시뮬레이션, 자율 실험 등과 연결되어 반도체 제조의 다양한 단계에 적용될 수 있습니다. 또한, 생성 모델과 물리 기반 시뮬레이터 간의 네 가지 통합 패턴을 제시하며, 물리적 충실도 벤치마크, 미분 가능한 시뮬레이터 인프라, 물리 설계 및 제조를 위한 멀티모달 파운데이션 모델(multimodal foundation models) 연구 의제를 제안했습니다.
이러한 접근 방식은 반도체 제조 분야에서 AI의 실질적인 활용 가능성을 크게 높일 것입니다. 물리적 유효성이 성공의 핵심 기준이 되는 영역에서는, 사후 필터링 방식보다 설계 단계부터 물리적 제약을 내재화한 아키텍처가 훨씬 뛰어난 성능을 보일 것으로 예상됩니다. 이는 반도체 생산 공장(fab)에서 그 차이가 가장 명확하게 드러날 것이며, 결과적으로 개발 시간 단축, 비용 절감, 그리고 더욱 정교하고 신뢰할 수 있는 반도체 생산을 가능하게 할 중요한 전환점이 될 것입니다.