Insinöörit kehittivät uuden koneoppimismenetelmän, joka pystyy leikkaamaan energiankäyttöä

Sveitsin elektroniikka- ja mikroteknologian keskuksessa työskentelevät insinöörit ovat kehittäneet uuden koneoppimismenetelmän, joka pystyy leikkaamaan energiankäyttöä sekä sallii tekoälylle (AI) suorittaa tehtäviä, jotka aiemmin olivat liian herkkästi koettelemuksia.

Vahvistusoppimisen rajoitukset

Vahvistusoppiminen, jossa tietokone jatkuvasti parantaa itseään oppimalla aiemmista kokemuksistaan, on tärkeä osa tekoälyä. Tämä teknologia on kuitenkin usein vaikea soveltaa todellisiin tilanteisiin, kuten ilmastointijärjestelmien koulutukseen. Sovellukset, kuten tämä, eivät pysty käsittelemään äkillisiä lämpötilan muutoksia, joita vahvistusoppiminen aiheuttaa.

Tämä on juuri se ongelma, jonka CSEM-insinöörit pyrkivät ratkaisemaan, ja he keksivät uuden lähestymistavan. Insinöörit osoittivat, että yksinkertaisia teoreettisia malleja voidaan käyttää tietokoneen koulutukseen, ja sitten siirtyä todellisiin järjestelmiin. Tämä mahdollistaa koneoppimisprosessin olemassaolon tarkemman, kun se saapuu todelliseen järjestelmään, oppimalla aiemmista virheistään teoreettisella mallilla. Tämä tarkoittaa, että todellisessa järjestelmässä ei ole äkillisiä vaihteluita, ratkaisten esimerkiksi ilmastointiteknologian ongelman.

Pierre-Jean Alet on CSEM:n älykkäiden energijärjestelmien tutkimuksen johtaja sekä tutkimuksen yksi tekijöistä.

“Se on kuin opetteleminen ajokortin ennen autoa”, Alet sanoo. “Tämä esikoulutusvaihe mahdollistaa tietokoneen rakentaa tietopohjan, josta se voi piirtää oikean vastauksen etsimisen aikana.”

Energiansäästö

Yksi uuden menetelmän tärkeimmistä puolista on, että se pystyy leikkaamaan energiankäyttöä yli 20 %. Insinöörit testasivat menetelmää lämmitys-, ilmastointi- ja ilmanvaihtojärjestelmässä (HVAC), joka sijaitsi 100-huoneisessa rakennuksessa.

Insinöörit seurasivat kolmea askelta, joista ensimmäinen oli tietokoneen koulutus “virtuaalitilassa”. Tämä malli rakennettiin yksinkertaisilla yhtälöillä, jotka selittivät rakennuksen käyttäytymistä. Todellista rakennusdataa, kuten lämpötilaa, sääolosuhteita ja muita muuttujia, syötettiin tietokoneelle, jolloin koulutus oli tarkempi. Viimeinen askel oli sallia tietokoneen suorittaa vahvistusoppimisalgoritmeja, jotka lopulta johtivat parhaaseen lähestymistapaan HVAC-järjestelmälle.

CSEM-insinöörien kehittämä uusi menetelmä voi olla suuri vaikutus koneoppimiseen. Monet sovellukset, jotka aiemmin olivat “koskemattomia” vahvistusoppimisen suhteen, kuten ne, joissa on suuria vaihteluita, voidaan nyt lähestyä uudella tavalla. Tämä johtaa alempaan energiankäyttöön, alempiin taloudellisiin kustannuksiin ja moneen muuhun hyötyyn.

Tutkimus julkaistiin IEEE Transactions on Neural Networks and Learning Systems -julkaisussa, otsikolla “Hybridioppimismenetelmä järjestelmän tunnistamiseen ja optimaaliseen ohjaamiseen”.

Tutkimuksen tekijöihin kuuluvat: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet ja Andreas Hutter.