기술 컴퓨터 보조 설계 (TCAD) 반도체 소자 시뮬레이션은 결합된 드리프트-확산 방정식 (drift-diffusion equations)을 반복적으로 해결하는 데 드는 높은 계산 비용으로 인해 근본적인 제약을 받습니다. 기존의 머신러닝 (ML) 대리 모델 (surrogates)은 내부 물리를 거시적인 스칼라 회귀 (scalar regressions)로 축소하거나, 경직된 (stiff) 결합 필드를 해결하는 데 필요한 반복적 정밀화 (iterative refinement)가 부족한 단일 단계 매핑 (single-step mappings)에 의존합니다. 이를 해결하기 위해, 우리는 비정형 TCAD 메쉬 (unstructured TCAD meshes) 상에서 직접 작동하여 결합된 정전기 (electrostatic) 및 캐리어 밀도 (carrier density) 필드를 예측하는 물리 가이드 조건부 그래프 확산 (Physics-Guided Conditional Graph Diffusion, PCGD) 프레임워크를 소개합니다. PCGD는 전역 교차 주의 집중 (global cross-attention)을 통해 경계 조건 (boundary conditions)과 소자 구조 컨텍스트를 명시적으로 주입하는 조건 인식 메쉬그래프넷 (Condition-Aware MeshGraphNet) 디노이저 (denoiser)를 채택합니다. 지수 미사용 준-페르미 기울기 매칭 (exponent-free quasi-Fermi gradient matching)과 노이즈 인식 PDE 잔차 (noise-aware PDE residuals)를 통합하는 물리 가이드 하이브리드 목적 함수를 데이터 기반 디노이징과 결합함으로써, PCGD는 반복적인 확산 궤적 (diffusion trajectory) 내에서 물리적 제약 조건을 점진적으로 강제합니다. 이 전략은 경직된 드리프트-확산 방정식에서 전형적으로 나타나는 수치적 불안정성을 성공적으로 우회합니다. 까다로운 혼합 PN/MOS 벤치마크에서 평가했을 때, PCGD는 결정론적 단일 단계 회귀 (deterministic one-step regression, 오차 1.207%) 및 로컬 확산 (local diffusion, 오차 1.585%) 베이스라인을 크게 능가하여 0.835%의 1% 미만 평균 상대 필드 오차 (mean relative field error)를 달성하였으며, 동시에 순수 확산 (pure diffusion) 대비 최대 PDE 잔차 오차를 거의 3자릿수(orders of magnitude)만큼 감소시켰습니다. 또한 LoRA 적응 (LoRA adaptation)을 통해 미학습된 SOI 토폴로지 (unseen SOI topologies, 오차 0.815%)로도 견고하게 전이되며, 이는 전체 미세 조정 (full fine-tuning)보다 5.30배 적은 데이터와 14.34배 적은 파라미터를 사용한 결과입니다. 궁극적으로 PCGD는 생성형 대리 모델 (generative surrogates)의 계산 효율성과 전통적인 TCAD의 엄격한 물리적 충실도 (physical fidelity)를 결합하여, 견고한 소자 공학을 위한 고도로 확장 가능한 필드 수준 분석을 가능하게 합니다.