Las metodologías de modelado compacto basadas en redes neuronales (NN) están ganando atención debido a los desafíos de la complejidad del dispositivo, la cobertura estrecha del modelo y la velocidad de simulación SPICE en nodos de tecnología semiconductora avanzada. A medida que la complejidad del dispositivo aumenta, también lo hace el número de variables de proceso y estructurales, lo que aumenta significativamente la cantidad de datos de simulación de diseño asistido por computadora de tecnología (TCAD) requeridos para el modelado compacto basado en NN. Este estudio propone un modelo multifidelidad y un enfoque de aprendizaje activo para predecir las variaciones globales y locales de los FET de láminas nano (NSFETs) con menos del 1.5% de error, reduciendo significativamente el número de simulaciones de TCAD requeridas en más de la mitad en comparación con las técnicas de modelado convencionales. Además, el modelo NN simplificado con un conjunto de datos de entrenamiento más pequeño reduce significativamente el tiempo de simulación SPICE.