Ingeniører udvikler ny maskinlæringsmetode, der kan reducere energiforbruget

Ingeniører ved det schweiziske center for elektronik og mikroteknologi har udviklet en ny maskinlæringsmetode, der kan reducere energiforbruget samt tillade kunstig intelligens (AI) at udføre opgaver, der tidligere blev betragtet som for følsomme.

Begrænsninger i forstærkning af læring

Forstærkning af læring, hvor en computer løbende forbedrer sig selv ved at lære af sine tidligere erfaringer, er et vigtigt aspekt af kunstig intelligens. Dog er denne teknologi ofte svær at anvende i virkelige scenarier og situationer, såsom træning af klimastyringssystemer. Anvendelser som denne kan ikke håndtere drastiske ændringer i temperaturer, som ville blive påført af forstærkning af læring.

Det er netop dette problem, som ingeniørerne ved CSEM har forsøgt at løse, og det er her, de kom op med den nye tilgang. Ingeniørerne demonstrerede, at forenklede teoretiske modeller først kunne anvendes til at træne computere, og derefter ville de gå over til virkelige systemer. Dette tillader maskinlæringsprocessen at være mere præcis, når den når det virkelige system, ved at lære af sine tidligere forsøg og fejl med den teoretiske model. Dette betyder, at der ikke vil være nogen drastiske fluktuationer for det virkelige system, og løser således problemet med klimastyringsteknologi.

Pierre-Jean Alet er leder af forskning i intelligente energisystemer ved CSEM og medforfatter til studiet.

“Det er ligesom at lære kørekortet, før man starter bilen,” siger Alet. “Med denne fortræningsstep bygger computerene op en videnbase, de kan trække på, så de ikke flyver blindt, mens de søger efter det rigtige svar.”

Energibesparelse

En af de vigtigste aspekter ved denne nye metode er, at den kan reducere energiforbruget med over 20%. Ingeniørerne testede metoden på et varme-, ventilation- og airconditionanlæg (HVAC), der var placeret i en bygning med 100 værelser.

Ingeniørerne anvendte tre trin, hvoraf det første var at træne en computer på en “virtuel model”. Denne model blev opbygget gennem simple ligninger, der forklarede bygningens adfærd. Ægte bygningsdata som temperatur, vejrforhold og andre variable blev derefter ført ind i computeren, hvilket resulterede i en mere præcis træning. Det sidste trin var at lade computeren køre forstærkning af læring-algoritmerne, der ville resultere i den bedste fremadrettede tilgang for HVAC-systemet.

Den nye metode, der er udviklet af ingeniørerne ved CSEM, kan have store implikationer for maskinlæring. Mange anvendelser, der tidligere blev betragtet som “utilgængelige” for forstærkning af læring, som f.eks. de med store fluktuationer, kan nu tilgås på en ny måde. Dette vil resultere i lavere energiforbrug, lavere økonomiske omkostninger og mange andre fordele.

Forskningen blev offentliggjort i tidsskriftet IEEE Transactions on Neural Networks and Learning Systems, med titlen “En hybridlæringsmetode til systemidentifikation og optimal styring.”

Forfatterne inkluderer: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet og Andreas Hutter.