본 논문에서는 아날로그 회로 크기 설정을 위한 샘플 효율적인 강화학습 (RL) 접근 방식인 Lighthouse RL을 소개합니다. 기존 방법들은 다양한 성능 목표에 대한 일반화 능력이 부족하며, 표준 RL 접근 방식은 유망하지 않은 영역을 탐색하는 데 자원을 낭비합니다. 저희의 방법은 '등대(lighthouses)'라고 불리는, 훈련 과정에서 발견된 고성능 구성으로부터 에피소드를 초기화하는 전략적 리셋 전략을 통해 이러한 비효율성을 해결합니다. 목표 객체에 더 가까운 이 상태들은 탐색을 유망한 영역으로 안내합니다. 문헌의 RL 및 베이지안 최적화 방법들과 비교했을 때, 저희는 2D 벤치마크 문제와 두 개의 아날로그 회로에서 저희 접근 방식의 효과를 입증했으며, 샘플 효율성(최대 1.72배 빠름), 최적화 성능(100% 대 0-87% 성공률), 일반화(75% 대 0-50% 외삽 성공률), 그리고 목표 최대화 측면에서 상당한 개선을 보여줍니다. 이러한 효율성은 계산 비용이 많이 드는 블랙박스 최적화 문제에 특히 유용하며, 저희의 리셋 전략은 모든 RL 기반 최적화 접근 방식에 플러그 앤 플레이(plug-and-play) 방식으로 사용될 수 있습니다.