مهندسون يطورون طريقة تعلم الآلة الجديدة قادرة على تقطيع استهلاك الطاقة

مهندسون في المركز السويسري للإلكترونيات والمايكروتقنية طوروا طريقة تعلم الآلة جديدة قادرة على تقطيع استهلاك الطاقة، وكذلك تمكن الذكاء الاصطناعي من إكمال المهام التي كانت تعتبر من قبل حساسة للغاية.

limitations التعلم التعزيزي

التعلم التعزيزي، حيث يتم تحسين الحاسوب بشكل مستمر من خلال تعلمه من تجاربه السابقة، هو جانب رئيسي من الذكاء الاصطناعي. ومع ذلك، غالبًا ما يكون من الصعب تطبيق هذه التقنية على السيناريوهات والوضعيات الحقيقية، مثل تدريب أنظمة التحكم في المناخ. التطبيقات مثل هذه لا تستطيع التعامل مع التغييرات الكبيرة في درجات الحرارة، والتي سوف تسببها التعلم التعزيزي.

هذا هو بالضبط المشكلة التي سعى مهندسو CSEM إلى حلها، وهذا عندما طوروا النهج الجديد. أظهر المهندسون أن النماذج النظرية المبسطة يمكن استخدامها أولاً لتدريب الحواسيب، ثم ينتقلون إلى الأنظمة الحقيقية. هذا يسمح بعملية تعلم الآلة أكثر دقة في الوقت الذي تصل إليه النظام الحقيقي، من خلال تعلمها من تجاربها السابقة والأخطاء مع النموذج النظري. هذا يعني أنه لن يكون هناك تغيرات كبيرة في النظام الحقيقي، مما يحل مشكلة نظام التحكم في المناخ.

بيير-جان أليت هو رئيس أبحاث أنظمة الطاقة الذكية في CSEM، وهو أيضًا من مؤلفي الدراسة.

“إنه مثل تعلم دليل السائق قبل أن تبدأ السيارة،” يقول أليت. “مع هذه الخطوة الأولية للتدريب، تبني الحواسيب قاعدة معرفة يمكنهم الاستفادة منها بحيث لا يكونوا يبحثون عن الإجابة الصحيحة بدون إرشاد.”

تقطيع الطاقة

أحد أهم جوانب هذه الطريقة الجديدة هو أنها يمكن أن تقطع استهلاك الطاقة بنسبة تزيد عن 20٪. قام المهندسون بتحليل الطريقة على نظام تدفئة وتبريد وتكييف هواء في مبنى يحتوي على 100 غرفة.

استند المهندسون إلى ثلاث خطوات، الأولى منها كانت تدريب الحاسوب على “وضع افتراضي”. تم بناء هذا النموذج من خلال معادلات بسيطة توضح سلوك المبنى. ثم تم تزويد الحاسوب ببيانات حقيقية للمبنى مثل درجة الحرارة ودرجات الحرارة الجوية والمتغيرات الأخرى، مما أدى إلى تدريب أكثر دقة. الخطوة الأخيرة كانت السماح للحاسوب تشغيل خوارزميات التعلم التعزيزي، مما سوف يؤدي في النهاية إلى أفضل نهج للمضي قدمًا لنظام التكييف.

الطريقة الجديدة التي طورها مهندسو CSEM يمكن أن يكون لها عواقب كبيرة على تعلم الآلة. العديد من التطبيقات التي كانت تعتبر من قبل غير قابلة للتouched من قبل التعلم التعزيزي، مثل تلك التي تتميز بتغيرات كبيرة، يمكن الآن 접근 إليها بطرق جديدة. هذا سوف يؤدي إلى استهلاك طاقة أقل وتكاليف مالية أقل والعديد من الفوائد الأخرى.

نشرت الأبحاث في مجلة IEEE Transactions on Neural Networks and Learning Systems، تحت عنوان “طريقة تعلم هجينة لتحديد النظام والتحكم الأمثل”.

يشمل المؤلفون: باتيست شوبنيل، رافائيل إي. كاريلو، بيير-جان أليت وأندرياس هوتير.