Gli ingegneri sviluppano un nuovo metodo di apprendimento automatico in grado di ridurre l’utilizzo di energia

Gli ingegneri del Centro svizzero di elettronica e microtecnologia hanno sviluppato un nuovo metodo di apprendimento automatico in grado di ridurre l’utilizzo di energia, nonché di consentire all’intelligenza artificiale (AI) di completare compiti che in precedenza erano considerati troppo sensibili.

Limitazioni dell’apprendimento per rinforzo

L’apprendimento per rinforzo, in cui un computer migliora costantemente se stesso imparando dalle sue esperienze passate, è un aspetto fondamentale dell’intelligenza artificiale. Tuttavia, questa tecnologia è spesso difficile da applicare a scenari e situazioni reali, come ad esempio l’addestramento di sistemi di controllo del clima. Applicazioni come queste non sono in grado di gestire cambiamenti drastici di temperatura, che sarebbero causati dall’apprendimento per rinforzo.

È proprio questo problema che gli ingegneri del CSEM hanno cercato di risolvere, e che li ha portati a sviluppare il nuovo approccio. Gli ingegneri hanno dimostrato che modelli teorici semplificati potrebbero essere utilizzati per addestrare i computer, e successivamente si sarebbero passati ai sistemi reali. Ciò consente al processo di apprendimento automatico di essere più preciso una volta raggiunto il sistema reale, imparando dai suoi errori precedenti con il modello teorico. Ciò significa che non ci saranno fluttuazioni drastiche per il sistema reale, risolvendo il problema dell’esempio della tecnologia di controllo del clima.

Pierre-Jean Alet è il capo della ricerca sui sistemi energetici intelligenti presso il CSEM, nonché coautore dello studio.

“È come imparare il manuale del conducente prima di iniziare a guidare una macchina”, dice Alet. “Con questo passaggio di pre-addestramento, i computer costruiscono una base di conoscenze che possono utilizzare in modo da non essere alla cieca mentre cercano la risposta giusta.”

Riduzione dell’energia

Uno degli aspetti più importanti di questo nuovo metodo è che può ridurre l’utilizzo di energia di oltre il 20%. Gli ingegneri hanno testato il metodo su un sistema di riscaldamento, ventilazione e condizionamento dell’aria (HVAC) situato in un edificio di 100 stanze.

Gli ingegneri hanno seguito tre passaggi, il primo dei quali consisteva nell’addestrare un computer su un “modello virtuale”. Questo modello è stato costruito attraverso equazioni semplici che spiegano il comportamento dell’edificio. Sono stati quindi forniti al computer dati reali dell’edificio, come la temperatura, le condizioni meteorologiche e altre variabili, il che ha portato a un addestramento più preciso. L’ultimo passaggio è stato quello di consentire al computer di eseguire gli algoritmi di apprendimento per rinforzo, che alla fine hanno portato all’approccio migliore per il sistema HVAC.

Il nuovo metodo sviluppato dagli ingegneri del CSEM potrebbe avere grandi implicazioni per l’apprendimento automatico. Molte applicazioni che in precedenza erano considerate “intoccabili” dall’apprendimento per rinforzo, come ad esempio quelle con grandi fluttuazioni, potrebbero ora essere affrontate in un nuovo modo. Ciò porterebbe a un minor utilizzo di energia, minori costi finanziari e molti altri benefici.

La ricerca è stata pubblicata sulla rivista IEEE Transactions on Neural Networks and Learning Systems, intitolata “Un metodo di apprendimento ibrido per l’identificazione dei sistemi e il controllo ottimale”.

Gli autori includono: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet e Andreas Hutter.