用于 TCAD 在环设计空间探索的网格原生物理信息图形代理

arXiv:2609.02988v1 公告类型：新 摘要：漂移扩散传输的高保真 TCAD 模拟仍然是新兴 FinFET 器件设计的主力，但其计算成本很高，特别是对于运行时间随着网格复杂性急剧上升的 3D 结构而言。这极大地限制了多目标设计空间探索。现有的机器学习代理将一组固定的设计参数映射到一些标量设备指标，丢弃了底层物理原理并失去了跨设备几何形状和系列的可转移性。提出了一种基于物理的图注意网络（GAT）代理。它直接在四面体 TCAD 网格上运行，并在每个网格节点处预测静电势以及电子和空穴准费米能级（漂移扩散系统的基本未知数）。训练将数据丢失与有限体积电流连续性残差相结合，将载流子传输物理学嵌入到目标中。将网格作为图形进行操作，代理继承了大小泛化：在少鳍网格上训练的模型不变地适用于更大的数组，仅受 GPU 内存的推理限制。来自深度集成的每个节点的不确定性驱动了一个主动学习循环，该循环可以在几秒钟内筛选大型候选池，并仅转发信息最丰富的设计以进行全面模拟。该替代方案以多鳍三栅极 FinFET 上的 Sentaurus 器件为基准，以亚伏每场 RMSE 再现三个漂移扩散场，并达到比完整模拟器高出几个数量级的每设计吞吐量。优势随着设备尺寸的增加而增加：在直接模拟速度极慢的大型多鳍阵列上，推理仍然在每个设备不到一秒的时间内完成，从而能够跨设备规模进行 Pareto 前沿探索，而这对于直接 TCAD 扫描来说是不可行的。