Ingenieure entwickeln neue Machine-Learning-Methode, die den Energieverbrauch reduzieren kann

Ingenieure am Schweizer Zentrum für Elektronik und Mikrotechnologie haben eine neue Machine-Learning-Methode entwickelt, die den Energieverbrauch reduzieren sowie künstliche Intelligenz (KI) ermöglichen kann, Aufgaben zu erledigen, die bisher als zu empfindlich galten.

Einschränkungen des Reinforcement Learning

Reinforcement Learning, bei dem ein Computer kontinuierlich durch das Lernen aus seinen vergangenen Erfahrungen verbessert wird, ist ein wichtiger Aspekt der künstlichen Intelligenz. Diese Technologie ist jedoch oft schwierig auf reale Szenarien und Situationen anzuwenden, wie zum Beispiel die Schulung von Klimaanlagensystemen. Anwendungen wie diese können nicht mit drastischen Temperaturänderungen umgehen, die durch Reinforcement Learning verursacht werden.

Genau dieses Problem wollten die CSEM-Ingenieure angehen und entwickelten daher einen neuen Ansatz. Die Ingenieure demonstrierten, dass vereinfachte theoretische Modelle zunächst verwendet werden können, um Computer zu trainieren, und dann auf reale Systeme umgestellt werden können. Dies ermöglicht es dem Machine-Learning-Prozess, genauer zu werden, wenn er das reale System erreicht, indem er aus seinen vorherigen Trial-and-Error-Versuchen mit dem theoretischen Modell lernt. Dies bedeutet, dass es keine drastischen Fluktuationen für das reale System gibt, was das Problem mit der Klimaanlagentechnologie löst.

Pierre-Jean Alet ist Leiter der Forschung zu intelligenten Energiesystemen am CSEM und Co-Autor der Studie.

“Es ist wie das Lernen des Fahrlehrbuchs, bevor man ein Auto fährt”, sagt Alet. “Mit diesem Schritt des Vortrainings bauen Computer ein Wissen auf, auf das sie zurückgreifen können, anstatt blind nach der richtigen Antwort zu suchen.”

Energieeinsparungen

Einer der wichtigsten Aspekte dieser neuen Methode ist, dass sie den Energieverbrauch um über 20% reduzieren kann. Die Ingenieure testeten die Methode an einem Heizung-, Lüftung- und Klimaanlagensystem, das in einem 100-Räume-Gebäude installiert war.

Die Ingenieure folgten drei Schritten, von denen der erste darin bestand, einen Computer auf einem “virtuellen Modus” zu trainieren. Dieses Modell wurde durch einfache Gleichungen erstellt, die das Verhalten des Gebäudes erklärten. Reale Gebäudedaten wie Temperatur, Wetterbedingungen und andere Variablen wurden dann dem Computer zugeführt, was zu einer genaueren Ausbildung führte. Der letzte Schritt bestand darin, dem Computer die Reinforcement-Learning-Algorithmen ausführen zu lassen, was schließlich zu dem besten Ansatz für das Klimaanlagensystem führte.

Die neue Methode, die von den CSEM-Ingenieuren entwickelt wurde, könnte große Auswirkungen auf das Machine Learning haben. Viele Anwendungen, die bisher als “unberührbar” durch Reinforcement Learning galten, wie solche mit großen Fluktuationen, könnten nun auf eine neue Weise angegangen werden. Dies würde zu einem geringeren Energieverbrauch, geringeren finanziellen Kosten und vielen anderen Vorteilen führen.

Die Forschung wurde in der Zeitschrift IEEE Transactions on Neural Networks and Learning Systems veröffentlicht, mit dem Titel Eine hybride Lernmethode für Systemidentifizierung und optimale Steuerung.

Die Autoren sind: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet und Andreas Hutter.