Badacze zaproponowali fizykę-wrażliwą sieć grafową (GAT) do zastępowania drażliwych symulacji TCAD w projektowaniu FinFETów. Zamiast mapować parametry projektowe na kilka skalarnych metryk, nowy model pracuje bezpośrednio na siatce tetrahedralnej i przewiduje dla każdego węzła potencjał elektrostatyczny oraz poziomy quasi-Fermiego elektronów i dziur - fundamentalne wielkości w systemie dryfu-dyfuzji.
Klucz do transferowalności leży w podejściu opartym na grafach. Model wytrenowany na mały liczbie siatek wielopaluszowych stosuje się bez zmian do znacznie większych tablic urządzeń, ograniczony jedynie pamięcią GPU przy inferencji. Trening łączy stratę danych z fizyką - zawiera rezidua ciągłości prądu z metody skończonego objętości, wbudowując physics transportu nośników bezpośrednio w funkcję celu.
Głęboki ensemble modelu dostarcza niepewność per-węzeł, napędzającą pętlę active learning. Pozwala to na przeszukiwanie dużych puli kandydatów w sekundy i zaznaczanie tylko najbardziej informatywnych projektów do pełnej symulacji. Na benchmarkach względem Sentaurus Device dla wielopaluszowych tri-gate FinFETów model odtwarza trzy pola dryfu-dyfuzji z wysoką dokładnością, dramatycznie przyspieszając eksplorację przestrzeni projektowej.