Les ingénieurs développent une nouvelle méthode d’apprentissage automatique capable de réduire la consommation d’énergie

Les ingénieurs du Centre suisse d’électronique et de microtechnologie ont développé une nouvelle méthode d’apprentissage automatique capable de réduire la consommation d’énergie, ainsi que de permettre à l’intelligence artificielle (IA) de réaliser des tâches qui étaient considérées comme trop sensibles.

Limitations de l’apprentissage par renforcement

L’apprentissage par renforcement, où un ordinateur améliore continuellement ses performances 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 situations réels, tels que la formation de systèmes de contrôle du climat. Des applications telles que celles-ci ne sont pas en mesure de gérer des changements importants de température, qui seraient provoqués par l’apprentissage par renforcement.

C’est exactement ce problème que les ingénieurs du CSEM ont cherché à résoudre, et c’est ainsi qu’ils ont élaboré cette nouvelle approche. Les ingénieurs ont démontré que des modèles théoriques simplifiés pourraient d’abord être utilisés pour former les ordinateurs, puis ceux-ci pourraient passer à des systèmes réels. Cela permet au processus d’apprentissage automatique d’être plus précis lorsqu’il atteint le système réel, en apprenant de ses erreurs passées avec le modèle théorique. Cela signifie qu’il n’y aura pas de fluctuations importantes pour le système réel, résolvant ainsi le problème des technologies de contrôle du climat.

Pierre-Jean Alet est le 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 », déclare Alet. « Avec cette étape de pré-formation, les ordinateurs construisent une base de connaissances qu’ils peuvent utiliser pour ne pas être aveugles lorsqu’ils cherchent la bonne réponse. »

Coupes 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, de ventilation et de climatisation (HVAC) situé dans un bâtiment de 100 pièces.

Les ingénieurs ont suivi trois étapes, la première consistant à former un ordinateur sur un « mode virtuel ». Ce modèle a été construit à l’aide d’équations simples expliquant le comportement du bâtiment. Des données réelles du bâtiment, telles que la température, les conditions météorologiques et d’autres variables, ont ensuite été fournies à l’ordinateur, ce qui a abouti à une formation plus précise. La dernière étape a consisté à laisser l’ordinateur exécuter les algorithmes d’apprentissage par renforcement, qui aboutiraient 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 considérées comme « intouchables » par l’apprentissage par renforcement, comme celles avec de grandes fluctuations, pourraient maintenant être abordées de manière nouvelle. Cela aboutirait à une consommation d’énergie plus faible, à des coûts financiers plus faibles et à de nombreux autres avantages.

La recherche a été publiée dans la revue IEEE Transactions on Neural Networks and Learning Systems, intitulée « Une méthode d’apprentissage hybride pour l’identification de systèmes et le contrôle optimal ».

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