Framework Unificado para Benchmarking de Machine Learning em Circuitos Genéticos

Artigo apresentado no BRACIS 2026 e publicado pela Springer (Lecture Notes in Computer Science), do qual sou o primeiro autor. Propõe um benchmark unificado para o design de circuitos genéticos sob ruído molecular e compara quatro métodos de busca - Programação Genética Cartesiana, Policy Gradient, Otimização Bayesiana e Surrogate Neural - no mesmo oráculo de simulação estocástica (Gillespie SSA), com orçamento igualado. Os três métodos de aprendizado superam a baseline evolutiva, e a Otimização Bayesiana lidera em três das cinco portas lógicas. O achado principal é metodológico: a aparente vantagem do Policy Gradient desaparece quando todos recebem o mesmo orçamento de simulação.