Los investigadores presentan Lighthouse RL, un enfoque de aprendizaje por refuerzo que mejora la eficiencia de muestras en el dimensionado de circuitos analógicos utilizando configuraciones de alto rendimiento como puntos de reinicio estratégicos.

  • El método inicializa episodios desde "faros", estados más cercanos a los objetivos deseados, para guiar la exploración hacia regiones prometedoras.
  • Logra una optimización hasta 1.72x más rápida con una tasa de éxito del 100% en comparación con el 0-87% de los métodos base.
  • El enfoque demuestra una generalización superior, alcanzando un 75% de éxito en extrapolación frente al 0-50% de la competencia.
  • La estrategia de reinicio funciona como una mejora plug-and-play para cualquier marco de optimización basado en RL.

Esta eficiencia es particularmente valiosa para problemas de optimización de caja negra computacionalmente costosos donde los métodos tradicionales desperdician recursos explorando áreas poco prometedoras.