Ingenieros Desarrollan Nuevo Método de Aprendizaje Automático Capaz de Reducir el Uso de Energía

Los ingenieros del Centro Suizo de Electrónica y Microtecnología han desarrollado un nuevo método de aprendizaje automático capaz de reducir el uso de energía, así como permitir que la inteligencia artificial (IA) complete tareas que antes se consideraban demasiado sensibles. 

Limitaciones del Aprendizaje por Refuerzo

El aprendizaje por refuerzo, donde una computadora mejora continuamente por sí misma aprendiendo de sus experiencias pasadas, es un aspecto importante de la inteligencia artificial. Sin embargo, esta tecnología a menudo es difícil de aplicar en escenarios y situaciones de la vida real, como la capacitación de sistemas de control climático. Aplicaciones como esta no pueden lidiar con cambios drásticos en las temperaturas, que serían provocados por el aprendizaje por refuerzo. 

Este problema exacto es lo que los ingenieros de CSEM se propusieron abordar, y fue entonces cuando desarrollaron el nuevo enfoque. Los ingenieros demostraron que los modelos teóricos simplificados podrían utilizarse primero para entrenar a las computadoras, y luego pasar a sistemas de la vida real. Esto permite que el proceso de aprendizaje automático sea más preciso cuando llega al sistema de la vida real, aprendiendo de sus errores y aciertos anteriores con el modelo teórico. Esto significa que no habrá fluctuaciones drásticas para el sistema de la vida real, resolviendo el problema de ejemplo con la tecnología de control climático. 

Pierre-Jean Alet es el jefe de investigación de sistemas de energía inteligentes en CSEM, así como coautor del estudio. 

“Es como aprender el manual del conductor antes de empezar a conducir un coche”, dice Alet. “Con este paso de preentrenamiento, las computadoras construyen una base de conocimientos que pueden utilizar para no estar ciegas mientras buscan la respuesta correcta.”

Reducción de Energía

Uno de los aspectos más importantes de este nuevo método es que puede reducir el uso de energía en más del 20%. Los ingenieros probaron el método en un sistema de calefacción, ventilación y aire acondicionado (HVAC) ubicado en un edificio de 100 habitaciones. 

Los ingenieros se basaron en tres pasos, el primero de los cuales fue entrenar a una computadora en un “modo virtual”. Este modelo se construyó a través de ecuaciones simples que explicaban el comportamiento del edificio. Luego, se alimentaron datos reales del edificio, como la temperatura, las condiciones climáticas y otras variables, a la computadora, lo que resultó en un entrenamiento más preciso. El último paso fue permitir que la computadora ejecutara los algoritmos de aprendizaje por refuerzo, lo que finalmente daría como resultado el mejor enfoque para el sistema HVAC. 

El nuevo método desarrollado por los ingenieros de CSEM podría tener grandes implicaciones para el aprendizaje automático. Muchas aplicaciones que antes se consideraban “intocables” por el aprendizaje por refuerzo, como aquellas con grandes fluctuaciones, ahora podrían abordarse de una nueva manera. Esto resultaría en un menor uso de energía, menores costos financieros y muchos otros beneficios. 

La investigación se publicó en la revista IEEE Transactions on Neural Networks and Learning Systems, titulada “A hybrid learning method for system identification and optimal control.” 

Los autores incluyen: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet y Andreas Hutter.