Ingenjörer utvecklar ny maskinlärningsmetod som kan minska energiförbrukning

Ingenjörer vid Swiss Center for Electronics and Microtechnology har utvecklat en ny maskinlärningsmetod som kan minska energiförbrukning, samt tillåta artificiell intelligens (AI) att slutföra uppgifter som tidigare ansågs för känsliga.

Begränsningar i förstärkningslärande

Förstärkningslärande, där en dator kontinuerligt förbättrar sig genom att lära av sina tidigare erfarenheter, är en viktig aspekt av artificiell intelligens. Men denna teknik är ofta svår att tillämpa i verkliga scenarier och situationer, såsom utbildning av klimatkontrollsystem. Sådana tillämpningar kan inte hantera drastiska förändringar i temperaturer, som skulle orsakas av förstärkningslärande.

Detta exakta problem är vad CSEM-ingenjörerna satte sig att lösa, och det var då de kom med den nya metoden. Ingenjörerna demonstrerade att förenklade teoretiska modeller kunde användas för att träna datorer, och sedan vända sig till verkliga system. Detta tillåter maskinlärningsprocessen att bli mer exakt när den når det verkliga systemet, genom att lära av sina tidigare fel och misstag med den teoretiska modellen. Detta innebär att det inte kommer att finnas några drastiska fluktuationer för det verkliga systemet, och löser problemet med klimatkontrollteknik.

Pierre-Jean Alet är chef för smarta energisystemforskning vid CSEM, samt medförfattare till studien.

“Det är som att lära sig förarmanualen innan man startar bilen”, säger Alet. “Med denna förträning kan datorer bygga upp en kunskapsbas som de kan dra nytta av, så att de inte flyger blindt när de söker efter rätt svar.”

Energibesparingar

En av de viktigaste aspekterna av denna nya metod är att den kan minska energiförbrukningen med över 20%. Ingenjörerna testade metoden på ett ventilationssystem i ett 100-rumshus.

Ingenjörerna följde tre steg, det första var att träna en dator på en “virtuell modell”. Denna modell konstruerades genom enkla ekvationer som förklarade byggnadens beteende. Riktiga byggnadsdata som temperatur, väderförhållanden och andra variabler matades sedan in i datorn, vilket resulterade i mer exakt träning. Det sista steget var att låta datorn köra förstärkningslärandealgoritmerna, vilket skulle resultera i den bästa strategin för ventilationssystemet.

Den nya metoden som utvecklats av CSEM-ingenjörerna kan ha stora implikationer för maskinlärning. Många tillämpningar som tidigare ansågs “otillgängliga” för förstärkningslärande, som de med stora fluktuationer, kan nu tillämpas på ett nytt sätt. Detta skulle resultera i lägre energiförbrukning, lägre ekonomiska kostnader och många andra fördelar.

Forskningen publicerades i tidskriften IEEE Transactions on Neural Networks and Learning Systems, med titeln “En hybridinlärningsmetod för systemidentifiering och optimal kontroll”.

Författarna inkluderar: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet och Andreas Hutter.