Μηχανικοί Ανάπτυξαν Νέα Μέθοδο Μηχανικής Μάθησης Ικανή να Μειώνει την Κατανάλωση Ενέργειας

Οι μηχανικοί στο Ελβετικό Κέντρο Ηλεκτρονικής και Μικροτεχνολογίας έχουν αναπτύξει μια νέα μέθοδο μηχανικής μάθησης ικανή να μειώνει την κατανάλωση ενέργειας, καθώς και να επιτρέπει στην τεχνητή νοημοσύνη (AI) να ολοκληρώνει εργασίες που θεωρούνταν μέχρι τώρα πολύ ευαίσθητες.

Περιορισμοί της Ενισχυτικής Μάθησης

Η ενισχυτική μάθηση, όπου ένας υπολογιστής συνεχώς βελτιώνεται με την μάθηση από τις προηγούμενες εμπειρίες του, είναι ένα σημαντικό μέρος της τεχνητής νοημοσύνης. Ωστόσο, αυτή η τεχνολογία είναι συχνά δύσκολο να εφαρμοστεί σε πραγματικές καταστάσεις και περιπτώσεις, όπως η εκπαίδευση συστημάτων ελέγχου κλίματος. Εφαρμογές όπως αυτή δεν μπορούν να αντιμετωπίσουν δραστικές αλλαγές στις θερμοκρασίες, οι οποίες θα προκαλούνταν από την ενισχυτική μάθηση.

Ακριβώς αυτό το ζήτημα είναι αυτό που οι μηχανικοί του CSEM προσπάθησαν να giải quyết, και αυτό είναι όταν ανέπτυξαν τη νέα προσέγγιση. Οι μηχανικοί επέδειξαν ότι απλοποιημένα θεωρητικά μοντέλα θα μπορούσαν πρώτα να χρησιμοποιηθούν για την εκπαίδευση υπολογιστών, και στη συνέχεια θα στρεφόταν στα πραγματικά συστήματα. Αυτό επιτρέπει στη διαδικασία της μηχανικής μάθησης να είναι πιο ακριβής όταν φτάνει στο πραγματικό σύστημα, μαθαίνοντας από τις προηγούμενες δοκιμές και λάθη με το θεωρητικό μοντέλο. Αυτό σημαίνει ότι δεν θα υπάρχουν δραστικές διακυμάνσεις για το πραγματικό σύστημα, λύνοντας το πρόβλημα με την τεχνολογία ελέγχου κλίματος.

Ο Pierre-Jean Alet είναι επικεφαλής της έρευνας για τα έξυπνα συστήματα ενέργειας στο CSEM, καθώς και συν-συγγραφέας της μελέτης.

«Είναι σαν να μαθαίνεις το εγχειρίδιο οδηγού πριν ξεκινήσεις το αυτοκίνητο», λέει ο Alet. «Με αυτό το προ-εκπαιδευτικό βήμα, οι υπολογιστές χτίζουν μια βάση γνώσεων που μπορούν να χρησιμοποιήσουν, ώστε να μην ψάχνουν τυφλά για την σωστή απάντηση».

Κοπές Ενέργειας

Ένας από τους πιο σημαντικούς аспέκτες αυτής της νέας μεθόδου είναι ότι μπορεί να μειώσει την κατανάλωση ενέργειας πάνω από 20%. Οι μηχανικοί δοκιμάσαν την μέθοδο σε ένα σύστημα θέρμανσης, αερισμού και κλιματισμού (HVAC), το οποίο βρισκόταν σε ένα κτίριο με 100 δωμάτια.

Οι μηχανικοί βασίστηκαν σε τρία βήματα, το πρώτο από τα οποία ήταν η εκπαίδευση ενός υπολογιστή σε một “εικονικό μοντέλο”. Αυτό το μοντέλο κατασκευάστηκε μέσω απλών εξισώσεων που εξηγούν τη συμπεριφορά του κτιρίου. Πραγματικά δεδομένα του κτιρίου, όπως η θερμοκρασία, οι καιρικές συνθήκες και άλλες μεταβλητές, στη συνέχεια παρέχθηκαν στον υπολογιστή, ο οποίος οδήγησε σε πιο ακριβή εκπαίδευση. Το τελευταίο βήμα ήταν να επιτρέψει στον υπολογιστή να εκτελέσει τους αλγορίθμους ενισχυτικής μάθησης, οι οποίοι θα οδηγούσαν τελικά στην καλύτερη προσέγγιση για το σύστημα HVAC.

Η νέα μέθοδος που ανέπτυξαν οι μηχανικοί του CSEM θα μπορούσε να έχει μεγάλες επιπτώσεις στη μηχανική μάθηση. Πολλές εφαρμογές που θεωρούνταν μέχρι τώρα “ακατόρθωτες” από την ενισχυτική μάθηση, όπως αυτές με μεγάλες διακυμάνσεις, θα μπορούσαν τώρα να προσεγγιστούν με ένα νέο τρόπο. Αυτό θα οδηγούσε σε χαμηλότερη κατανάλωση ενέργειας, χαμηλότερα οικονομικά κόστη και πολλά άλλα οφέλη.

Η έρευνα δημοσιεύθηκε στο περιοδικό IEEE Transactions on Neural Networks and Learning Systems, με τίτλο ” Μια υβριδική μέθοδος μάθησης για την αναγνώριση συστημάτων και τον βέλτιστο έλεγχο“.

Οι συγγραφείς περιλαμβάνουν: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet και Andreas Hutter.