高保真TCAD漂移-扩散输运仿真仍是新兴FinFET器件设计的主要手段，但它在三维结构中的计算成本随网格复杂度急剧上升，严重限制了多目标设计空间探索。工程师往往只能对少数候选配置做完整仿真，难以在大范围几何与工艺参数上扫描。现有的机器学习代理模型大多将一组固定设计参数映射为阈值电压、漏电流等少数标量器件指标，把底层载流子输运物理丢弃，并且难以迁移到不同几何形状或器件族。
针对这些局限，论文提出了一种物理信息图注意力网络（GAT）代理模型。它不是做参数到标量的回归，而是直接在TCAD四面体网格上运行，把每个网格节点视为图中的顶点，逐节点预测静电势以及电子、空穴的准费米能级——这三个量正是漂移-扩散方程组的基本未知量。训练时，作者把基于仿真数据的有监督损失与有限体积格式下的电流连续性残差共同放入目标函数，从而在模型中注入载流子输运必须满足的守恒约束。另一个关键设计是“以网格为图”：图注意力运算不依赖固定网格尺寸，因此模型天然具备尺寸泛化能力。少鳍FinFET网格上训练好的模型可以不经过重新训练或结构修改，直接应用于更大的多鳍阵列，实际瓶颈主要来自GPU显存。此外，深度集成给出的逐节点不确定性驱动主动学习循环：先用代理在数秒内筛选海量候选设计，再把最有价值的少量设计交给完整TCAD仿真验证，从而大幅降低总计算开销。
实验部分以多鳍三栅FinFET为对象，使用Sentaurus Device作为基准。结果显示，代理模型能够以低于1伏的逐场域RMSE重现静电势、电子和空穴准费米能级的空间分布；从单个设计吞吐量来看，它比完整仿真器快若干数量级，而且优势随器件规模扩大而更加明显。对于直接仿真非常缓慢的大型多鳍阵列，代理模型仍可在1秒内完成单个器件的推理。这种能力使得研究者能够在不同器件尺度上探索Pareto前沿，而这是传统逐点TCAD扫描难以实现的。
该论文由Leonid Popryho与另外两位作者于2026年9月2日提交至arXiv，已被IEEE/ACM ICCAD 2026接收。论文共9页，包含4张图和2张表，覆盖机器学习、硬件架构与计算工程交叉方向，arXiv编号为2609.02988。