Los métodos de aprendizaje profundo han avanzado significativamente en los ataques de canal lateral de perfilado. Encontrar el conjunto óptimo de hiperparámetros para estos modelos sigue siendo un desafío. La optimización efectiva de hiperparámetros es crucial para entrenar redes neuronales precisas. En este trabajo, presentamos un novedoso algoritmo de optimización de escalada de colina diseñado específicamente para el aprendizaje profundo en el análisis de canal lateral perfilado. Este algoritmo explora de forma iterativa el espacio de hiperparámetros utilizando técnicas basadas en gradientes para realizar ajustes precisos y localizados. Al incorporar retroalimentación de rendimiento en cada iteración, nuestro enfoque converge eficientemente en hiperparámetros óptimos, superando los métodos tradicionales de Búsqueda Aleatoria. Experimentos extensos que abarcan implementaciones protegidas, modelos de fugas y diversas arquitecturas de redes neuronales demuestran que nuestro método de escalada de colina logra consistentemente un rendimiento superior en más del 80% de los casos de prueba, prediciendo la clave secreta con menos trazas de ataque y superando tanto a la Búsqueda Aleatoria como a las técnicas de vanguardia.