新ML代理模型直接在TCAD网格上预测漂移-扩散场，FinFET设计探索提速
该模型以图注意力网络在四面体网格上逐节点预测静电势与电子、空穴准费米能级，结合有限体积电流连续性残差训练，在大型多鳍阵列上单器件推理不到一秒。
AI解读：这篇论文解决的是芯片设计中的一个具体瓶颈：用Sentaurus这类TCAD工具做高保真器件仿真是设计FinFET的关键手段，但跑到 3D多鳍结构时，网格越复杂、耗时越长，导致设计团队没法在合理时间内探索足够多的尺寸和电压组合。作者提出了一个新代理模型：用图注意力网络直接在原始四面体网格上预测每个节点的静电势和电子、空穴准费米能级（这正是漂移-扩散方程的基础未知量），并把电流连续性方程的有限体积残差作为训练目标的一部分，把载流子输运物理直接压进模型里。相比只输出几个标量指标的旧式ML替代品，这个模型保持了完整的物理场，而且因为它把网格当图来处理，天然具备尺寸泛化能力——在小鳍片上训练的模型可以直接套到更大的阵列上，推理时间只受GPU内存限制。实测数据显示性能提升显著：对照Sentaurus在多鳍三栅FinFET上的基准，模型的RMSE低于每场 1 伏，单器件吞吐量比完整模拟器高几个数量级；在直接模拟不可行的大型阵列上，推理仍能在 1 秒内完成。对FinFET设计工程师意味着，他们可以用这个代理来快速筛选大范围的候选设计方案，再只对最有价值的一小部分跑完整TCAD，从而在设备尺度上做帕累托前沿探索。但要注意，这项研究目前只有学术基准和单个模型的测试结果，没有公开的流片验证，也没有说明模型对完全不同的器件族（比如GAAFET）能迁移到什么程度，实际落地的稳定性和覆盖范围还需要更多证据。它更像是给设计工具链添加了一个高效的预筛器，而不是说要取代现有的TCAD模拟器。
arXiv预印本论文 (2609.02988) 提出一种物理信息图注意力网络 (GAT) 代理模型，直接在四面体TCAD网格上预测静电势和电子、空穴准费米能级——即漂移-扩散系统中的基本未知量。该论文已被IEEE/ACM计算机辅助设计国际会议 (ICCAD 2026) 接收。
针对TCAD仿真的计算瓶颈
论文指出，高保真TCAD模拟（用于漂移-扩散输运）仍是新兴FinFET器件设计的核心工作流，但计算成本高昂，尤其在 3D结构中，运行时间随网格复杂度急剧上升，严重限制了多目标设计空间探索。
现有机器学习代理模型通常将一组固定设计参数映射为少数标量器件指标，丢弃了底层物理，且在不同器件几何和器件族之间缺乏可迁移性。
图注意力网络代理模型
该代理模型直接在四面体网格上作为图运行，在每个网格节点预测静电势以及电子和空穴准费米能级。训练时，将数据损失与有限体积电流连续性残差相结合，把载流子输运物理嵌入目标函数中。
由于模型在网格上以图的形式运作，它继承了尺寸泛化能力：在小鳍数网格上训练的模型可无需改动地应用于更大的阵列，推理时仅受GPU内存限制。来自深度集成的逐节点不确定性驱动一个主动学习循环，可在几秒内筛选大型候选池，只将信息量最高的设计送入完整模拟。
基准性能与限制
在多鳍三栅FinFET上以Sentaurus Device为基准，该代理模型能重现三个漂移-扩散场，每个场的RMSE低于 1 伏，单器件吞吐量比完整模拟器高出几个数量级。
论文补充称，优势随器件尺寸增大而增强：在直接模拟可能过于缓慢的大型多鳍阵列上，每器件的推理时间仍小于 1 秒，这使得跨器件尺度的帕累托前沿探索成为可能，而这是直接TCAD扫描难以实现的。
需注意，本摘要仅依据论文摘要与元数据，未提供训练数据细节、实际推理时间或与具体工艺节点的对比。论文长度为 9 页，附 4 图和 2 表，但具体内容不在本条简讯的验证范围内。