Para peneliti memperkenalkan Lighthouse RL, sebuah pendekatan pembelajaran penguatan yang meningkatkan efisiensi sampel dalam penskalaan sirkuit analog dengan menggunakan konfigurasi berkinerja tinggi sebagai titik reset strategis.
- Metode ini menginisialisasi episode dari "lighthouse", keadaan yang lebih dekat dengan tujuan target, untuk memandu eksplorasi menuju wilayah yang menjanjikan.
- Metode ini mencapai optimasi hingga 1,72x lebih cepat dengan tingkat keberhasilan 100% dibandingkan 0-87% untuk metode dasar.
- Pendekatan ini menunjukkan generalisasi yang unggul, mencapai keberhasilan ekstrapolasi 75% versus 0-50% untuk pesaing.
- Strategi reset berfungsi sebagai peningkatan plug-and-play untuk kerangka optimasi berbasis RL apa pun.
Efisiensi ini sangat berharga untuk masalah optimasi kotak hitam yang mahal secara komputasi, di mana metode tradisional membuang sumber daya dengan mengeksplorasi area yang tidak menjanjikan.