Ingeniører utvikler ny maskinlæringsmetode som kan kutte energiforbruk

Ingeniører ved Swiss Center for Electronics and Microtechnology har utviklet en ny maskinlæringsmetode som kan kutte energiforbruk, samt tillate kunstig intelligens (AI) å fullføre oppgaver som tidligere ble ansett som for sensitive.

Begrensninger i forsterkingslæring

Forsterkingslæring, der en datamaskin kontinuerlig forbedrer seg selv ved å lære av sine tidligere erfaringer, er et viktig aspekt av kunstig intelligens. Imidlertid er denne teknologien ofte vanskelig å anvende i virkelige scenarier og situasjoner, som for eksempel å trene klimakontrollsystemer. Slike applikasjoner kan ikke håndtere drastiske endringer i temperatur, som ville bli påført av forsterkingslæring.

Nettopp dette problemet var det CSEM-ingeniørene ønsket å løse, og det var da de kom opp med den nye tilnærmingen. Ingeniørene demonstrerte at forenklede teoretiske modeller først kunne brukes til å trene datamaskiner, og deretter ville de gå over til virkelige systemer. Dette tillater maskinlæringsprosessen å være mer nøyaktig når den når det virkelige systemet, ved å lære av sine tidligere feil og suksesser med det teoretiske modellen. Dette betyr at det ikke vil være noen drastiske fluktuasjoner for det virkelige systemet, og løser dermed problemet med klimakontrollteknologien.

Pierre-Jean Alet er leder for smart energisystemforskning ved CSEM, samt medforfatter av studien.

“Det er som å lære førerens håndbok før du starter bilen,” sier Alet. “Med denne fortreningstrinnet bygger datamaskinene opp en kunnskapsbase de kan trekke på, så de ikke flyr blindt mens de søker etter riktig svar.”

Energikutt

En av de viktigste aspektene ved denne nye metoden er at den kan kutte energiforbruk med over 20%. Ingeniørene testet metoden på et varme-, ventilasjons- og airconditioningsystem (HVAC) i en bygning med 100 rom.

Ingeniørene fulgte tre trinn, hvor det første var å trene en datamaskin på en “virtuell modus”. Denne modellen ble konstruert gjennom enkle ligninger som forklarte bygningens atferd. Virkelige bygningdata, som temperatur, værforhold og andre variabler, ble deretter matet inn i datamaskinen, noe som resulterte i mer nøyaktig trening. Det siste trinnet var å la datamaskinen kjøre forsterkingslæringsalgoritmene, som til slutt ville resultere i den beste fremgangsmåten for HVAC-systemet.

Den nye metoden utviklet av CSEM-ingeniørene kan ha store implikasjoner for maskinlæring. Mange applikasjoner som tidligere ble ansett som “utilgjengelige” for forsterkingslæring, som for eksempel de med store fluktuasjoner, kan nå bli tilnærmet på en ny måte. Dette vil resultere i lavere energiforbruk, lavere finansielle kostnader og mange andre fordeler.

Forskningen ble publisert i tidsskriftet IEEE Transactions on Neural Networks and Learning Systems, med tittelen “En hybrid læringsmetode for systemidentifikasjon og optimal kontroll.”

Forfatterne inkluderer: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet og Andreas Hutter.