La adopción de redes neuronales profundas para la identificación de ataques de canal lateral abrió nuevas perspectivas para la detección de fugas. Las publicaciones recientes mostraron que implementaciones criptográficas con diferentes contramedidas podrían ser vulneradas sin selección de características o preprocesamiento de trazas. Este éxito viene con un alto precio: una extensa búsqueda de hiperparámetros para encontrar modelos de aprendizaje profundo óptimos. Dado que los modelos de aprendizaje profundo suelen sufrir de sobreajuste debido a su alta capacidad de ajuste, es crucial evitar regímenes de sobreentrenamiento, que requieren un número correcto de épocas. Para ello, se emplea un método de regularización eficiente que requiere una métrica de validación consistente. Aunque la entropía de adivinación es una métrica altamente informativa para la identificación de ataques de canal lateral, es consumidora de tiempo, especialmente si se calcula para todas las épocas durante el entrenamiento, y el número de trazas de validación es significativamente grande. Este documento muestra que la entropía de adivinación puede calcularse eficientemente durante el entrenamiento al reducir el número de trazas de validación sin afectar la eficiencia de las decisiones de detención temprana. Nuestra solución acelera significativamente el proceso, impactando en el rendimiento de la búsqueda de hiperparámetros y en el ataque de perfilado en general. Nuestro cálculo rápido de entropía de adivinación es hasta 16 veces más rápido, lo que resulta en más experimentos de ajuste de hiperparámetros y permite a los evaluadores de seguridad encontrar modelos de aprendizaje profundo más eficientes.