El Análisis de Tiempo Estático (STA) juega un papel crucial en la realización de la convergencia temporal de circuitos integrados. En los últimos años, ha habido una creciente investigación sobre la predicción de tiempo previa al enrutamiento utilizando Redes Neuronales de Grafos (GNNs). Sin embargo, los enfoques existentes tienen dificultades con la escalabilidad en gráficos grandes y carecen de generalizabilidad a nuevos diseños, limitando su aplicabilidad a problemas de circuitos complejos a gran escala. Para abordar este problema, este documento propone un motor de tiempo basado en la Red de Atención de Grafos (GAT) para predecir el margen de los puntos finales de tiempo. En primer lugar, nuestro modelo calcula incrustaciones de red para cada nodo antes del entrenamiento utilizando un módulo de autoatención con compuerta. Posteriormente, inspirado en el Modelo de Retraso No Lineal (NLDM), las incrustaciones de los nodos se propagan a través de múltiples niveles aplicando alternativamente capas de propagación de red y capas de propagación de celdas. Evaluado en 21 circuitos reales, el marco logró una mejora del 16.62% en la puntuación promedio para la predicción de márgenes y una reducción del 15.55% en el tiempo de ejecución en comparación con el método de última generación (SOTA).