Les chercheurs présentent Lighthouse RL, une approche d'apprentissage par renforcement qui améliore l'efficacité de l'échantillonnage dans le dimensionnement de circuits analogiques en utilisant des configurations performantes comme points de réinitialisation stratégiques.

  • La méthode initialise les épisodes à partir de « phares », des états plus proches des objectifs cibles, pour guider l'exploration vers des régions prometteuses.
  • Elle atteint une optimisation jusqu'à 1,72 fois plus rapide avec un taux de réussite de 100 %, contre 0 à 87 % pour les méthodes de base.
  • L'approche démontre une généralisation supérieure, atteignant un succès d'extrapolation de 75 % contre 0 à 50 % pour les concurrents.
  • La stratégie de réinitialisation fonctionne comme une amélioration plug-and-play pour tout cadre d'optimisation basé sur le RL.

Cette efficacité est particulièrement précieuse pour les problèmes d'optimisation de boîte noire coûteux en calcul, où les méthodes traditionnelles gaspillent des ressources à explorer des zones peu prometteuses.