Mühendisler Enerji Kullanımını Kesmek İçin Yeni Bir Makine Öğrenimi Yöntemi Geliştirdiler

İsviçre Elektronik ve Mikroteknoloji Merkezi’ndeki mühendisler, enerji kullanımını kesmek ve yapay zeka (AI) tarafından daha önce çok hassas olarak kabul edilen görevleri tamamlamak için yeni bir makine öğrenimi yöntemi geliştirdiler.

Peşış Öğrenme Sınırlamaları

Peşış öğrenme, bir bilgisayarın sürekli olarak kendisinden öğrenerek geçmiş deneyimlerinden verbessiği, yapay zekanın önemli bir yönüdür. Ancak, bu teknoloji genellikle gerçek yaşam senaryolarına ve durumlara, örneğin iklim kontrol sistemlerinin eğitilmesine uygulamak zor olabilir. Bu tür uygulamalar, peşış öğrenme tarafından getirilen sıcaklık değişikliklerine karşı koyamayabilir.

CSEM mühendisleri tam da bu sorunu ele almak için yeni bir yaklaşım geliştirdiler. Mühendisler, basitleştirilmiş teorik modellerin önce bilgisayarlara öğretilebileceğini ve ardından gerçek yaşam sistemlerine geçilebileceğini gösterdiler. Bu, makine öğrenimi sürecinin daha doğru olmasını sağlar, çünkü teorik model ile yapılan önceki deneme-yanılma deneyimlerinden öğrenilir. Bu, gerçek yaşam sistemlerinde dramatik dalgalanmaların önlenmesini sağlar ve böylece iklim kontrol teknolojisi ile ilgili sorunu çözer.

Pierre-Jean Alet, CSEM’de akıllı enerji sistemleri araştırma başkanı ve çalışmanın ortak yazarıdır.

“Sürüş kılavuzunu okumadan araba kullanmaya başlamak gibi,” diyor Alet. “Bu ön eğitim adımı ile bilgisayarlar, doğru cevabı ararken kör olarak aramadıkları bir bilgi tabanı oluştururlar.”

Enerji Kesintileri

Bu yeni yöntemin en önemli yönlerinden biri, enerji kullanımını %20’den fazla azaltabilmesidir. Mühendisler, yöntemi 100 odalı bir binada bulunan bir ısıtma, havalandırma ve iklimlendirme (HVAC) sistemi üzerinde test ettiler.

Mühendisler üç adımda çalıştılar. İlk adım, bir “sanal mod”da bir bilgisayarı eğitmekti. Bu model, binanın davranışını açıklayan basit denklemlerle oluşturuldu. Gerçek bina verileri, sıcaklık, hava koşulları ve diğer değişkenler bilgisayara verildi ve bu da daha doğru bir eğitim sağladı. Son adım, bilgisayara güçlendirme öğrenme algoritmalarını çalıştırmak ve sonunda HVAC sistemi için en iyi yaklaşımı belirlemekti.

CSEM mühendisleri tarafından geliştirilen yeni yöntem, makine öğrenimi için büyük etkileri olabilir. Daha önce “dokunulmaz” olarak kabul edilen birçok uygulama, artık yeni bir şekilde ele alınabilir. Bu, daha düşük enerji kullanımı, daha düşük mali maliyetler ve diğer birçok faydaya yol açacaktır.

Araştırma, IEEE Transactions on Neural Networks and Learning Systems dergisinde yayımlandı ve “Sistem Tanıma ve Optimal Kontrol için Hibrit Öğrenme Yöntemi” başlığını taşıyor.

Yazarlar arasında Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet ve Andreas Hutter yer alıyor.