Ingenieurs ontwikkelen nieuwe machine learning-methode die energiegebruik kan verminderen

Ingenieurs van het Zwitserse Centrum voor Elektronica en Microtechnologie hebben een nieuwe machine learning-methode ontwikkeld die energiegebruik kan verminderen, evenals het mogelijk maakt voor kunstmatige intelligentie (AI) om taken uit te voeren die eerder te gevoelig werden geacht.

Beperkingen van versterkende leerprocessen

Versterkende leerprocessen, waarbij een computer voortdurend verbetert door te leren van zijn vorige ervaringen, vormen een belangrijk onderdeel van kunstmatige intelligentie. Echter, deze technologie is vaak moeilijk toe te passen in real-life scenario’s en situaties, zoals het trainen van klimaatbeheerssystemen. Toepassingen zoals deze kunnen niet omgaan met drastische veranderingen in temperaturen, die zouden worden veroorzaakt door versterkende leerprocessen.

Dit specifieke probleem is wat de CSEM-ingenieurs probeerden aan te pakken, en dat is wanneer ze de nieuwe benadering bedachten. De ingenieurs demonstreerden dat vereenvoudigde theoretische modellen eerst konden worden gebruikt om computers te trainen, en vervolgens zouden ze overgaan tot real-life systemen. Dit maakt het machine learning-proces nauwkeuriger wanneer het de real-life systemen bereikt, door te leren van zijn vorige trial-and-errors met het theoretische model. Dit betekent dat er geen drastische fluctuaties zullen zijn voor het real-life systeem, waardoor het probleem met klimaatbeheerstechnologie wordt opgelost.

Pierre-Jean Alet is hoofd van de onderzoeksafdeling slimme energiesystemen bij CSEM, evenals co-auteur van de studie.

“Het is alsof je eerst de rijopleiding leert voordat je een auto start,” zegt Alet. “Met deze voorafgaande trainingsstap bouwen computers een kennisbasis op die ze kunnen gebruiken, zodat ze niet blind zoeken naar het juiste antwoord.”

Energiebesparingen

Een van de belangrijkste aspecten van deze nieuwe methode is dat het energiegebruik kan verminderen met meer dan 20%. De ingenieurs testten de methode op een verwarmings-, ventilatie- en airconditioningsysteem (HVAC), dat zich bevond in een gebouw met 100 kamers.

De ingenieurs volgden drie stappen, waarvan de eerste het trainen van een computer was op een “virtuele modus”. Dit model werd opgebouwd met behulp van eenvoudige vergelijkingen die het gedrag van het gebouw verklaarden. Echte gebouwgegevens, zoals temperatuur, weersomstandigheden en andere variabelen, werden vervolgens aan de computer gevoerd, wat resulteerde in een nauwkeurigere training. De laatste stap was om de computer te laten werken met de versterkende leerprocessen, die uiteindelijk zouden leiden tot de beste aanpak voor het HVAC-systeem.

De nieuwe methode die door de CSEM-ingenieurs is ontwikkeld, kan grote gevolgen hebben voor machine learning. Veel toepassingen die eerder “onbereikbaar” werden geacht voor versterkende leerprocessen, zoals die met grote fluctuaties, kunnen nu op een nieuwe manier worden benaderd. Dit zou leiden tot een lager energiegebruik, lagere financiële kosten en veel andere voordelen.

Het onderzoek werd gepubliceerd in het tijdschrift IEEE Transactions on Neural Networks and Learning Systems, getiteld “A hybrid learning method for system identification and optimal control.”

De auteurs zijn: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet en Andreas Hutter.