Исследователи представили новый подход к использованию генеративного ИИ в полупроводниковой промышленности, объединив глубокое обучение с физическим моделированием. Метод позволяет значительно ускорить проектирование и оптимизацию производственных процессов, обеспечивая высокую точность прогнозирования характеристик микросхем. Это решение решает проблему «черного ящика» в традиционных нейросетях, интегрируя фундаментальные законы физики непосредственно в архитектуру моделей для повышения надежности результатов.
В основе подхода лежит внедрение физических ограничений в функции потерь генеративных моделей. Это позволяет системе генерировать конфигурации параметров процесса, которые не только статистически вероятны, но и физически реализуемы на реальном оборудовании. Такой синтез данных и физики критически важен для сокращения циклов разработки новых техпроцессов, где стоимость каждой итерации крайне высока.
Технология направлена на решение задач литографии и травления, где малейшие отклонения в параметрах приводят к браку. Использование физически информированного ИИ позволяет моделировать сложные нелинейные зависимости, которые трудно уловить стандартными методами машинного обучения. В результате производители могут быстрее переходить от теоретических моделей к массовому выпуску продукции, минимизируя количество натурных экспериментов.
Ключевые факты
- Метод интегрирует физические законы в генеративные модели для повышения точности проектирования полупроводников.
- Подход снижает количество необходимых физических экспериментов за счет предсказательной способности ИИ.
- Моделирование охватывает критические этапы производства, включая литографию и процессы травления.
- Интеграция физики в архитектуру нейросети позволяет избежать генерации физически невозможных конфигураций параметров.
- Исследование сфокусировано на оптимизации производственных процессов для повышения выхода годных кристаллов.