Des ingénieurs développent une nouvelle méthode d'apprentissage automatique capable de réduire la consommation d'énergie

Les ingénieurs du Centre suisse d'électronique et de microtechnique ont mis au point une nouvelle méthode d'apprentissage automatique capable de réduire la consommation d'énergie et de permettre à l'intelligence artificielle (IA) d'accomplir des tâches autrefois considérées comme trop sensibles. 

Limites de l'apprentissage par renforcement

L'apprentissage par renforcement, où un ordinateur s'améliore continuellement en apprenant de ses expériences passées, est un aspect majeur de l'intelligence artificielle. Cependant, cette technologie est souvent difficile à appliquer à des scénarios et des situations de la vie réelle, tels que la formation de systèmes de climatisation. Des applications comme celle-ci ne sont pas capables de faire face à des changements drastiques de températures, qui seraient provoqués par l'apprentissage par renforcement. 

C’est précisément ce problème que les ingénieurs du CSEM ont décidé de résoudre, et c’est à ce moment-là qu’ils ont proposé la nouvelle approche. Les ingénieurs ont démontré que des modèles théoriques simplifiés pouvaient d’abord être utilisés pour entraîner des ordinateurs, puis se tourner vers des systèmes réels. Cela permet au processus d'apprentissage automatique d'être plus précis au moment où il atteint le système réel, en tirant les leçons de ses essais et erreurs précédents avec le modèle théorique. Cela signifie qu’il n’y aura pas de fluctuations drastiques pour le système réel, résolvant ainsi le problème de l’exemple avec la technologie de contrôle climatique. 

Pierre-Jean Alet est responsable de la recherche sur les systèmes énergétiques intelligents au CSEM, ainsi que co-auteur de l'étude. 

« C'est comme apprendre le manuel du conducteur avant de démarrer une voiture », dit Alet. "Avec cette étape de pré-formation, les ordinateurs établissent une base de connaissances sur laquelle ils peuvent s'appuyer pour ne pas voler en aveugle lorsqu'ils recherchent la bonne réponse."

Coupures d'énergie

L'un des aspects les plus importants de cette nouvelle méthode est qu'elle peut réduire la consommation d'énergie de plus de 20 %. Les ingénieurs ont testé la méthode sur un système de chauffage, ventilation et climatisation (CVC), situé dans un immeuble de 100 pièces. 

Les ingénieurs se sont appuyés sur trois étapes, dont la première consistait à former un ordinateur sur un "mode virtuel". Ce modèle a été construit par des équations simples expliquant le comportement du bâtiment. Les données réelles du bâtiment telles que la température, les conditions météorologiques et d'autres variables ont ensuite été transmises à l'ordinateur, ce qui a permis une formation plus précise. La dernière étape consistait à permettre à l'ordinateur d'exécuter les algorithmes d'apprentissage par renforcement, ce qui aboutirait finalement à la meilleure approche pour le système HVAC. 

La nouvelle méthode développée par les ingénieurs du CSEM pourrait avoir de grandes implications pour l'apprentissage automatique. De nombreuses applications qui étaient autrefois considérées comme "intouchables" par l'apprentissage par renforcement, comme celles avec de grandes fluctuations, pourraient maintenant être abordées d'une nouvelle manière. Cela se traduirait par une consommation d'énergie moindre, des coûts financiers moindres et de nombreux autres avantages. 

La recherche a été publiée dans la revue Transactions IEEE sur les réseaux de neurones et les systèmes d'apprentissage, intitulé "Une méthode d'apprentissage hybride pour l'identification du système et un contrôle optimal. » 

Les auteurs sont : Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet et Andreas Hutter.