最新突破：利用多级多智能体强化学习打破对称性——模拟电路的非常规布局

布局依赖效应（LDEs）显著影响模拟电路性能。传统上，设计者依赖电路组件的对称布局来减轻LDEs引起的变异。然而，由于这些效应的非线性特性，传统方法往往效果不佳。我们提出了一种目标驱动的多级多智能体Q学习框架，用于探索模拟布局的非常规设计空间，为优化模拟电路性能开辟了新途径。我们的方法实现了比最先进布局技术更好的变异性能。值得注意的是，这是多智能体强化学习在模拟布局自动化中的首次应用。所提出的方法与基于模拟退火的非机器学习方法进行了比较。