Pesquisadores apresentam o Lighthouse RL, uma abordagem de aprendizado por reforço que melhora a eficiência de amostragem no dimensionamento de circuitos analógicos ao usar configurações de alto desempenho como pontos de reinício estratégicos.
- O método inicializa episódios a partir de "faróis", estados mais próximos dos objetivos desejados, para guiar a exploração em direção a regiões promissoras.
- Alcança otimização até 1.72x mais rápida com taxa de sucesso de 100%, comparado a 0-87% para métodos base.
- A abordagem demonstra generalização superior, atingindo 75% de sucesso na extrapolação contra 0-50% dos concorrentes.
- A estratégia de reinício funciona como uma melhoria plug-and-play para qualquer framework de otimização baseado em RL.
Essa eficiência é particularmente valiosa para problemas de otimização de caixa preta computacionalmente caros, onde métodos tradicionais desperdiçam recursos explorando áreas pouco promissoras.