Inżynierowie opracowali nową metodę machine learning, która może obniżyć zużycie energii

Inżynierowie ze Szwajcarskiego Centrum Elektroniki i Mikrotechnologii opracowali nową metodę machine learning, która może obniżyć zużycie energii, a także umożliwić sztucznej inteligencji (AI) wykonanie zadań, które wcześniej były uważane za zbyt wrażliwe.

Ograniczenia uczenia wzmacniania

Uczenie wzmacniania, gdzie komputer ciągle poprawia się, ucząc się z własnych doświadczeń, jest ważnym aspektem sztucznej inteligencji. Jednak ta technologia często jest trudna do zastosowania w realnych scenariuszach i sytuacjach, takich jak szkolenie systemów klimatyzacji. Aplikacje takie jak ta nie są w stanie radzić sobie z dużymi zmianami temperatury, które zostałyby spowodowane przez uczenie wzmacniania.

To właśnie ten problem inżynierowie z CSEM postanowili rozwiązać, i to właśnie wtedy opracowali nowe podejście. Inżynierowie udowodnili, że uproszczone teoretyczne modele mogą być najpierw użyte do szkolenia komputerów, a następnie można przejść do systemów rzeczywistych. To pozwala na proces machine learning być bardziej dokładny, gdy dotrze do systemu rzeczywistego, ucząc się z poprzednich prób i błędów z modelem teoretycznym. To oznacza, że nie będzie drastycznych fluktuacji w systemie rzeczywistym, rozwiązując problem z technologią klimatyzacji.

Pierre-Jean Alet jest kierownikiem badań nad inteligentnymi systemami energetycznymi w CSEM, a także współautorem studium.

„To jak uczenie się podręcznika kierowcy przed rozpoczęciem jazdy samochodem”, mówi Alet. „Z tym krokiem pre-treningu komputery budują bazę wiedzy, na którą mogą się powołać, więc nie latają na ślepo, szukając odpowiedzi.”

Cięcia energii

Jednym z najważniejszych aspektów tej nowej metody jest to, że może obniżyć zużycie energii o ponad 20%. Inżynierowie przetestowali tę metodę na systemie ogrzewania, wentylacji i klimatyzacji (HVAC), który znajdował się w budynku z 100 pokojami.

Inżynierowie użyli trzech kroków, z których pierwszym było szkolenie komputera w trybie „wirtualnym”. Ten model został zbudowany za pomocą prostych równań, które wyjaśniały zachowanie budynku. Rzeczywiste dane budynku, takie jak temperatura, warunki pogodowe i inne zmienne, zostały następnie wprowadzone do komputera, co wyniosło bardziej dokładne szkolenie. Ostatnim krokiem było pozwolenie komputerowi na uruchomienie algorytmów uczenia wzmacniania, co ostatecznie doprowadziłoby do najlepszego podejścia do systemu HVAC.

Nowa metoda opracowana przez inżynierów z CSEM może mieć duże implikacje dla machine learning. Wiele aplikacji, które wcześniej były uważane za „nie dotykane” przez uczenie wzmacniania, takie jak te z dużymi fluktuacjami, mogą teraz być podejściem w nowy sposób. To doprowadziłoby do niższego zużycia energii, niższych kosztów finansowych i wielu innych korzyści.

Badania zostały opublikowane w czasopiśmie IEEE Transactions on Neural Networks and Learning Systems, pt. „Hybrydowa metoda uczenia dla identyfikacji systemu i optymalnego sterowania”.

Autorami są: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet i Andreas Hutter.