FlexPlanner：基于混合动作空间深度强化学习与多模态表征的灵活三维布局规划

基于摘要分析。FlexPlanner 研究三维集成电路（3D IC）的布局规划问题，通过深度强化学习联合决定模块的位置、长宽比与跨芯粒对齐，以应对堆叠层结构中的多种约束。其主要贡献是以混合动作空间和多模态表征替代受启发式布局表示限制的搜索方式，研究对象并非 EEG 解码或 BCI。 方法结合视觉、图与序列表征，并采用混合动作空间策略网络及异步层决策机制，处理模块的不同属性。作者声称，这是首个在三维布局规划任务中摒弃启发式搜索的学习方法；该优先性主张尚未独立核实。摘要未说明各模态的具体输入、融合方式、动作参数化、奖励设计及训练流程。 作者报告，在公开基准 MCNC 和 GSRC 上，对齐分数从 0.474 提升至 0.940，线长平均减少 16%；摘要未交代这些数值对应的具体对照方法、基准汇总方式及约束配置，不能据此进一步比较不同实验协议。作者还报告了对未见电路的零样本迁移能力，但训练与测试电路划分、规模差异及迁移性能尚未验证。实验协议、消融及统计信息尚未验证。 其直接价值在于具有几何、拓扑和顺序信息的约束布局优化。材料未建立该机制与 EEG 或 BCI 任务的具体对应关系，因此不据此推导神经信号建模收益或提出迁移复现实验；已有 EEG 相关工作尚未检索确认。