본 논문은 아날로그 회로 성능에 상당한 영향을 미치는 레이아웃 의존 효과(LDEs)를 다룹니다. 기존에는 회로 구성 요소의 대칭 배치를 통해 LDEs로 인한 변동을 완화하는 데 의존해왔지만, LDEs의 비선형적 특성으로 인해 기존 방법은 종종 부족했습니다. 본 논문에서는 목표 지향적이고 다층적이며 다중 에이전트 Q-러닝 프레임워크를 제안하여 아날로그 레이아웃의 기존 디자인 공간을 탐색하고 아날로그 회로 성능을 최적화하는 새로운 방법을 제시합니다. 제안된 방법은 최첨단 레이아웃 기술보다 더 나은 변동 성능을 달성하며, 다중 에이전트 강화 학습을 아날로그 레이아웃 자동화에 처음으로 적용한 사례입니다. 제안된 방법은 시뮬레이티드 어닐링 기반의 비-ML 접근 방식과 비교됩니다.
