Inženýři vyvinuli novou metodu strojového učení, která je schopna snížit spotřebu energie

Inženýři ze Švýcarského centra pro elektronikou a mikrotechnologii vyvinuli novou metodu strojového učení, která je schopna snížit spotřebu energie, a také umožnit umělé inteligenci (AI) dokončit úkoly, které byly dříve považovány za příliš citlivé.

Omezení učení posilování

Učení posilování, kde počítač neustále zlepšuje sebe sama tím, že se učí z svých minulých zkušeností, je významnou součástí umělé inteligence. Nicméně, tato technologie je často obtížná na aplikaci v reálných scénářích a situacích, jako je například školení systémů klimatizace. Aplikace, jako je tato, nejsou schopny zvládnout drastické změny teplot, které by byly způsobeny učení posilování.

Právě tuto otázku se inženýři z CSEM pokusili vyřešit a přišli s novým přístupem. Inženýři prokázali, že zjednodušené teoretické modely mohly být nejprve použity k výcviku počítačů a poté by se přecházelo na reálné systémy. To umožňuje, aby proces strojového učení byl přesnější, až se dostane k reálnému systému, a učí se z předchozích pokusů a omylů s teoretickým modelem. To znamená, že nebudou žádné drastické fluktuace pro reálný systém, a řeší se tak problém s technologií klimatizace.

Pierre-Jean Alet je vedoucím výzkumu inteligentních energetických systémů v CSEM a také spoluautorem studie.

“Je to jako naučit se řidičskému manuálu, než začnete řídit auto,” říká Alet. “S touto předškolní fází počítače budují znalostní základnu, na kterou se mohou spolehnout, takže nejsou bezradní, když hledají správnou odpověď.”

Snížení spotřeby energie

Jedním z nejdůležitějších aspektů této nové metody je, že může snížit spotřebu energie o více než 20%. Inženýři otestovali metodu na systému vytápění, ventilace a klimatizace (HVAC) v budově se 100 místnostmi.

Inženýři použili tři kroky, z nichž první bylo školení počítače v „virtuálním režimu“. Tento model byl vytvořen pomocí jednoduchých rovnic, které vysvětlovaly chování budovy. Skutečná data budovy, jako je teplota, počasí a další proměnné, byla poté zavedena do počítače, což vedlo k přesnějšímu školení. Posledním krokem bylo umožnit počítači spustit algoritmy učení posilování, které by nakonec vedly k nejlepšímu přístupu pro systém HVAC.

Nová metoda vyvinutá inženýry z CSEM může mít velké důsledky pro strojové učení. Mnoho aplikací, které byly dříve považovány za „nedotknutelné“ učení posilování, jako jsou ty s velkými fluktuacemi, mohou být nyní přístupné novým způsobem. To by vedlo ke snížení spotřeby energie, nižším finančním nákladům a mnoha jiným výhodám.

Výzkum byl publikován v časopise IEEE Transactions on Neural Networks and Learning Systems, pod názvem “Hybridní metoda učení pro identifikaci systému a optimální kontrolu.”

Autoři zahrnují: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet a Andreas Hutter.