FlexPlanner：通过混合动作空间中的深度强化学习与多模态表示实现灵活的三维芯片布局规划

基于摘要分析。本文研究集成电路（IC）设计中的三维布局规划（3D Floorplanning），提出 FlexPlanner，通过深度强化学习同时决定模块的位置、宽高比及跨芯片层对齐，以应对堆叠式 3D IC 的多样约束；其主要研究对象是芯片物理设计，而非 EEG 或 BCI。 方法结合视觉、图和序列三类模态表示，并采用混合动作空间的策略网络与异步层决策机制，使策略能够决定模块的多种属性。作者将摆脱启发式布局表示对解空间的限制作为主要贡献，并声称这是首个在 3D Floorplanning 中舍弃启发式搜索的学习方法；该优先性声明尚未独立核实。摘要未给出具体状态编码、动作参数化、奖励函数或训练流程，无法据此判断各机制的独立贡献。 作者报告，在公开基准 MCNC 和 GSRC 的实验中，对齐分数由 0.474 提升至 0.940，线长平均减少 16%，并在未见电路上表现出零样本迁移能力。摘要未明确上述数字对应的具体对照方法、数据划分、约束配置及汇总方式，迁移所覆盖的电路规模与分布差异也尚未验证，因此这些结果只能按作者报告理解，不能外推至其他任务。 阅读全文时需重点核对多模态表示与混合动作空间的消融、约束满足方式、训练及推理成本，以及零样本测试的协议。实验协议、消融及统计信息尚未验证；材料未提供可确认的代码与复现配置。当前摘要未建立其机制与 EEG/BCI 瓶颈的具体对应关系，不据此提出 BCI 迁移效果或复现实验建议。