शोधकर्ताओं ने Lighthouse RL पेश किया, जो एक प्रबलन सीखने (reinforcement learning) दृष्टिकोण है जो उच्च-प्रदर्शन वाले कॉन्फ़िगरेशन को रणनीतिक रीसेट बिंदु के रूप में उपयोग करके एनालॉग सर्किट साइज़िंग में नमूना दक्षता को बेहतर बनाता है।
- विधि "लाइटहाउस" से एपिसोड को इनिशियलाइज करती है, जो लक्ष्य उद्देश्यों के करीब स्थितियाँ हैं, ताकि खोज को वादा करने वाले क्षेत्रों की ओर निर्देशित किया जा सके।
- यह बेसलाइन विधियों के लिए 0-87% की तुलना में 100% सफलता दर के साथ 1.72x तक तेज़ अनुकूलन प्राप्त करता है।
- दृष्टिकोण श्रेष्ठ सामान्यीकरण प्रदर्शित करता है, जो प्रतिस्पर्धियों के लिए 0-50% के मुकाबले 75% एक्सट्रापोलेशन सफलता तक पहुँचता है।
- रीसेट रणनीति किसी भी RL-आधारित अनुकूलन फ्रेमवर्क के लिए प्लग-एंड-प्ले सुधार के रूप में कार्य करती है।
यह दक्षता उन कंप्यूटेशनली महंगे ब्लैक-बॉक्स अनुकूलन समस्याओं के लिए विशेष रूप से मूल्यवान है जहाँ पारंपरिक विधियाँ अप्रचलित क्षेत्रों की खोज में संसाधनों को बर्बाद करती हैं।