当 AI 看见 TCAD 物理场

我做了一款能看懂结构图和物理场的 AI 全自动器件设计系统——VisionDriven-TCAD

假如你是一个半导体器件工程师，在你使用 TCAD 进行芯片设计仿真的工作中，除了关注芯片的指标，比如阈值电压、导通电阻、击穿电压，你还会大量借助仿真图像，比如掺杂分布、物理场图从而判断下一步的设计方向。

那么，我们有没有可能通过 AI ，来完成器件设计中这一部分需要“看图”的工作？

有关注 AI for TCAD 的朋友可能知道，在最近一年内，已经出现了使用 AI Agent 辅助或自动化器件设计的技术探索。而在大约一年前，我也有幸参与其中，在一些媒体上展示了将 LLM 接入 Sentaurus TCAD 进行参数优化的视频，并开源了 LLM 赋能 TCAD 的相关思路，获得了许多朋友的关注和反馈。

▲ 作者在某站上已发布的视频，有些观众朋友可能已经看过部分视频

如今一年过去，大模型在这段时间里的进步有目共睹。编程能力更强了，幻觉率下降了。而对于 AI Agent for TCAD 来说，前沿多模态大模型的原生理解图像能力是我认为最关键的进步。

“更强的代码能力”加上“能看懂图像”，让我产生了一个想法：如果把多模态大模型接入 TCAD ，让它不只读数值，还能直接看仿真图——这能促使器件设计自动化走到哪一步？

说干就干，我独自开发了 VisionDriven-TCAD 以实践这个想法。

AI for TCAD ，走过了哪些路？

过去几年上， AI 和 TCAD 的落地结合大致经历了三个阶段。

最早一批工作集中在用机器学习构建器件代理模型：通过大量 TCAD 仿真数据训练神经网络，建立从参数到性能的映射，从而大幅缩短仿真时间。这类方法在加速器件建模方面相当有成效。

随后，参数优化方法得到了广泛应用，以贝叶斯优化为代表。在一个固定的器件结构下，自动搜索最优的几何或工艺参数，减少了大量人工试错的时间。

到了 2025 年附近，基于大语言模型的 Agent 研究开始进入 TCAD 领域。该类研究包括但不限于让 AI 理解 TCAD 项目、修改结构代码、自动调整参数并调用仿真、根据结果迭代进行闭环，这些研究在自动化程度上迈出了更大的一步。

VisionDriven-TCAD 在这个方向上做了一个补充：在已能够生成仿真代码且自主迭代设计的闭环 Agent 框架基础上，引入图像作为反馈信号。具体来说，系统会把 TCAD 导出的结构图和物理场图等图像直接送给多模态大模型来分析，而不只是依赖数值类型的结果。

图像反馈，能带来什么不同？

这个问题，我觉得可以从两个场景来理解。

第一个场景：改完结构代码，怎么让 AI 确认改对了？

Agent 修改了器件的结构代码，代码语法通过了、仿真也能正常运行；但结构本身是否真的改成了预期的样子，这件事需要画一个问号。基于大模型的代码生成本质上是概率过程，出现偏差的情况并不罕见。当修改器件结构时，就算是 TCAD 仿真大佬，都得把改完之后的结构图调出来核一遍，更何况我们要拿 AI 来做自动结构迭代？所以给 Agent 的每次修改增加一道视觉校验，就显得尤为重要了。

第二个场景：仿完性能，怎么让 AI 深度理解结果背后的原因？

比如当 AI 跑完自己设计的功率器件结终端，然后击穿电压没有明显改善。但是为什么没改善？新增的那个结构没有承担电场吗？还是说这个结构虽承担了电场，但是让某个已有结构失效了？这些问题，若单纯地看数值结果难以全面直观的获取信息，所以这个时候让 AI 看电场分布图就能给出很直接的答案。只有全面的理解了原因， AI Agent 才真能懂下一步该往哪个方向继续优化。

所以，当结构图、物理场图、性能曲线和仿真日志等多模态信息共同进入反馈回路，Agent 才能更好的把代码修改、物理现象和性能变化对应起来，设计决策也更容易被工程师复核。当 AI 切实看见了物理图像，它的能力才更能和一个人类工程师相比拟，从而更可靠地进行器件设计工作。

系统是怎么工作的

下面我将以设计一个功率器件 MCT （即 MOS栅控晶闸管）的结终端为例，具体演示 VisionDriven-TCAD 是如何完成自动化工作的。第一步：导入项目

把本地 Sentaurus 项目拖进系统，点击“开始讨论”。系统读取项目文件，识别器件类型和仿真任务。

▲ 系统首页截图，接收 Sentaurus TCAD 器件项目

第二步：项目理解

AI 读完项目后，会向用户说明它对这个项目的理解。

▲ 项目理解页，显示 AI 对器件项目的识别结果

第三步：设定目标与约束

AI 主动询问设计目标和约束条件，包括比如希望把哪个指标推到多少，哪些区域不能修改等。随后用户和 AI 通过对话确定目标。 AI 会在右侧面板实时整理出的讨论结果，包括当前目标、不可突破的边界、默认推进方向。用户和 AI 双方确认后，可进入自动设计阶段，也可继续讨论直到用户满意。

▲ 目标与约束页，显示用户与 AI 讨论设计计划

第四步：自动设计

这里我们选一个比较有代表性的设计片段：在几次效果显著的设计迭代后， AI 查看当前 MCT 的结构图，判断还需要新增一个场限环来改善电场分布。

▲ 进入自动设计页， AI 提出下一步结构修改

随后， AI 直接修改器件结构代码。代码改动完成后以下图形式展示变更内容在UI上。

▲ 代码前后对比，红色部分为旧结构代码，绿色部分为新结构代码

代码改完后， AI 会主动调用新结构的完整掺杂图，查看新结构的整体形态，再放大到新增场限环的位置并核对环的数量和位置是否与预期一致。 AI 在确认器件结构无误后才提交保存。

▲ AI 拿到整体结构图后（上图），像一名正在查看仿真图片的工程师一样，主动对图片进行了局部放大（下图）

代码保存后， AI 主动提交多组参数仿真，此后 Sentaurus TCAD 将自动运行这些参数下的器件仿真，以收集不同参数下的性能数据。

▲ 为了检验性能 AI 针对新结构进行了多组参数仿真；这些参数将被自动提交至 Sentaurus TCAD 运行仿真

仿真结果跑出来后， AI 调取电场分布图，重点检查刚修改的最外环区域。

结果是：最外环附近区域承担电场有限。 这说明新增的这个环对击穿电压的贡献不如预期，需要进一步调整。

▲  AI 查看刚跑出来的电场分布

基于这一观察， AI 判断需要调整环间距参数，让外环真正发挥作用。

▲  AI 发现刚刚新增结构收效低（上图），表示将优化当前结构（下图）

这样的迭代会在用户和 AI 交谈的初始目标与约束下持续进行，直到达标。每一步的修改内容、引用的参考文献、对应的性能变化，都会被记录在设计历史中，可以完整追溯。

▲  设计历史页，显示从最初结果到当前的性能变化，并支持显示某次迭代的详情，包括其结构图、相比上一代的结构改动、引用的文献（如果有）； AI 在下一次迭代后让 BV 成功达到2300V的目标（这里未显示）

▲  点击某迭代详情中的引用文献后，会自动定位并展示此文献中被引用的核心段落位置，从而使 AI 在设计器件时能够以证据支撑自身行为

结语

让 AI Agent 开始像器件设计工程师一样，“看见”半导体器件仿真图，这就是我独立开发的 VisionDriven-TCAD 最核心的意义。

感谢您能看到这里，我是来自电子科技大学的南卓，目前研二在读，此系统年前专利已发。欢迎在评论区留言，有问题或想法，也可以直接联系我。