วิศวกรพัฒนาเครื่องมือการเรียนรู้ของเครื่องจักรใหม่ที่สามารถลดการใช้พลังงาน

วิศวกรที่ศูนย์แห่งอิเล็กทรอนิกส์และไมโครเทคโลยีของสวิสได้พัฒนาเครื่องมือการเรียนรู้ของเครื่องจักรใหม่ที่สามารถลดการใช้พลังงานได้ รวมถึงทำให้ปัญญาประดิษฐ์ (AI) สามารถทำงานที่เคยถือว่ายากเกินไปได้

ข้อจำกัดของการเรียนรู้แบบเสริมกำลัง

การเรียนรู้แบบเสริมกำลัง ซึ่งเป็นการเรียนรู้ที่คอมพิวเตอร์ปรับปรุงตัวเองอย่างต่อเนื่องโดยการเรียนรู้จากประสบการณ์ในอดีต เป็นประเด็นสำคัญของปัญญาประดิษฐ์ แต่เทคโนโลยีนี้มักจะยากที่จะนำไปใช้กับสถานการณ์จริง เช่น การฝึกอบรมระบบควบคุมสภาพแวดล้อม

ปัญหานี้เองที่วิศวกรของ CSEM ตั้งเป้าแก้ไข และพวกเขาก็ได้พัฒนาแนวทางใหม่ วิศวกรได้แสดงให้เห็นว่าสามารถใช้แบบจำลองทฤษฎีที่เรียบง่ายในการฝึกคอมพิวเตอร์ได้ก่อน แล้วจึงนำไปใช้กับระบบจริง ซึ่งช่วยให้กระบวนการเรียนรู้ของเครื่องจักรมีความแม่นยำมากขึ้นเมื่อถึงระบบจริง โดยการเรียนรู้จากข้อผิดพลาดในแบบจำลองทฤษฎีก่อนหน้านี้

Pierre-Jean Alet เป็นหัวหน้าฝ่ายวิจัยระบบพลังงานอัจฉริยะที่ CSEM และเป็นหนึ่งในผู้เขียนการศึกษา

“มันเหมือนกับการเรียนรู้คู่มือการขับรถก่อนที่คุณจะเริ่มรถ” Alet กล่าว “ด้วยขั้นตอนการฝึกก่อนหน้านี้ คอมพิวเตอร์สร้างฐานความรู้ที่สามารถใช้ได้ เพื่อที่พวกเขาจะไม่ต้องมองหาคำตอบโดยไม่มีข้อมูล”

การลดการใช้พลังงาน

หนึ่งในประเด็นที่สำคัญที่สุดของวิธีการใหม่นี้คือสามารถลดการใช้พลังงานได้มากกว่า 20% วิศวกรได้ทดสอบวิธีการนี้กับระบบทำความร้อน การระบายอากาศ และการปรับอากาศ (HVAC) ในอาคารที่มี 100 ห้อง

วิศวกรได้ใช้สามขั้นตอน ขั้นตอนแรกคือการฝึกคอมพิวเตอร์โดยใช้ “โหมดเสมือน” ซึ่งสร้างขึ้นโดยใช้สมการง่ายๆ ที่อธิบายพฤติกรรมของอาคาร จากนั้นจึงให้ข้อมูลอาคารจริง เช่น อุณหภูมิ สภาพอากาศ และตัวแปรอื่นๆ ให้กับคอมพิวเตอร์ ซึ่งทำให้การฝึกมีความแม่นยำมากขึ้น ขั้นตอนสุดท้ายคือการให้คอมพิวเตอร์ทำงานโดยใช้อัลกอริทึมการเรียนรู้แบบเสริมกำลัง ซึ่งจะส่งผลให้ได้วิธีการที่ดีที่สุดสำหรับระบบ HVAC

วิธีการใหม่ที่พัฒนาโดยวิศวกรของ CSEM อาจมีผลกระทบใหญ่ๆ ต่อการเรียนรู้ของเครื่องจักร การใช้งานที่เคยถือว่า “ไม่สามารถสัมผัสได้” โดยการเรียนรู้แบบเสริมกำลัง เช่น การที่มีการเปลี่ยนแปลงขนาดใหญ่ อาจสามารถเข้าถึงได้ด้วยวิธีการใหม่นี้ ซึ่งจะส่งผลให้การใช้พลังงานลดลง ต้นทุนการเงินลดลง และมีประโยชน์อื่นๆ อีกมากมาย

การวิจัยนี้ได้รับการตีพิมพ์ในวารสาร IEEE Transactions on Neural Networks and Learning Systems, โดยมีชื่อเรื่องว่า “วิธีการเรียนรู้แบบผสมสำหรับการระบุระบบและการควบคุมที่เหมาะสม”

ผู้เขียนการศึกษารวมถึง Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet และ Andreas Hutter