Инженеры разработали новый метод машинного обучения, способный сократить потребление энергии

Инженеры Швейцарского центра электроники и микротехнологий разработали новый метод машинного обучения, способный сократить потребление энергии, а также позволяющий искусственному интеллекту (ИИ) выполнять задачи, которые ранее считались слишком чувствительными.

Ограничения обучения с подкреплением

Обучение с подкреплением, при котором компьютер不断 улучшается, обучаясь на своих прошлых опытах, является важным аспектом искусственного интеллекта. Однако эта технология часто бывает трудна для применения в реальных сценариях и ситуациях, таких как обучение систем контроля климата. Приложения такого типа не могут справиться с резкими изменениями температуры, которые будут вызваны обучением с подкреплением.

Именно эту проблему инженеры CSEM попытались решить, и именно тогда они разработали новый подход. Инженеры продемонстрировали, что упрощенные теоретические модели могут быть использованы для обучения компьютеров, а затем они будут применены к реальным системам. Это позволяет сделать процесс машинного обучения более точным к моменту его применения к реальной системе, обучаясь на своих предыдущих ошибках с теоретической моделью. Это означает, что не будет резких колебаний для реальной системы, решая проблему с технологией контроля климата.

Пьер-Жан Але является руководителем исследований умных энергетических систем в CSEM, а также соавтором исследования.

«Это похоже на изучение руководства по вождению перед началом движения», – говорит Але. «С помощью этого предварительного этапа обучения компьютеры строят базу знаний, на которую они могут опираться, чтобы не действовать наугад в поисках правильного ответа».

Сокращение энергопотребления

Одним из наиболее важных аспектов этого нового метода является то, что он может сократить потребление энергии более чем на 20%. Инженеры протестировали этот метод на системе отопления, вентиляции и кондиционирования воздуха (HVAC), расположенной в здании с 100 комнатами.

Инженеры использовали три этапа, первый из которых заключался в обучении компьютера на «виртуальной модели». Эта модель была построена с помощью простых уравнений, объясняющих поведение здания. Реальные данные о здании, такие как температура, погодные условия и другие переменные, затем были поданы компьютеру, что привело к более точному обучению. Последний этап заключался в том, чтобы позволить компьютеру запустить алгоритмы обучения с подкреплением, что в конечном итоге привело бы к наилучшему подходу для системы HVAC.

Новый метод, разработанный инженерами CSEM, может иметь серьезные последствия для машинного обучения. Многие приложения, которые ранее считались «неприкасаемыми» обучением с подкреплением, такие как те, у которых есть большие колебания, теперь могут быть подходят к новому методу. Это приведет к снижению потребления энергии, снижению финансовых затрат и многим другим выгодам.

Исследование было опубликовано в журнале IEEE Transactions on Neural Networks and Learning Systems, под названием «Гибридный метод обучения для идентификации системы и оптимального управления».

Авторами исследования являются: Батист Шубнель, Рафаэль Э. Каррильо, Пьер-Жан Але и Андреас Хуттер.