Исследователи представляют Lighthouse RL, подход к обучению с подкреплением, который повышает эффективность использования образцов при настройке аналоговых схем за счёт использования высокопроизводительных конфигураций в качестве стратегических точек сброса.
- Метод инициализирует эпизоды из «маяков» — состояний, близких к целевым показателям, чтобы направлять исследование в перспективные области.
- Он обеспечивает ускорение оптимизации до 1.72x при 100% уровне успеха по сравнению с 0–87% для базовых методов.
- Подход демонстрирует превосходную обобщающую способность, достигая 75% успеха в экстраполяции против 0–50% у конкурентов.
- Стратегия сброса работает как модуль plug-and-play для любой системы оптимизации на основе RL.
Эта эффективность особенно ценна для вычислительно дорогих задач чёрного ящика, где традиционные методы тратят ресурсы на исследование бесперспективных областей.