Інженери розробили новий метод машинного навчання, здатний зменшити споживання енергії

Інженери Швейцарського центру електроніки та мікротехнологій розробили новий метод машинного навчання, здатний зменшити споживання енергії, а також дозволити штучному інтелекту (ШІ) виконувати завдання, які раніше вважалися занадто чутливими. 

Обмеження підкріплювального навчання

Підкріплювальне навчання, при якому комп’ютер безперервно покращується шляхом навчання на своїх попередніх досвідах, є важливим аспектом штучного інтелекту. Однак ця технологія часто буває складною для застосування в реальних сценаріях і ситуаціях, таких як навчання систем контролю клімату. Застосування такого типу не можуть справитися з різкими змінами температури, які були б спричинені підкріплювальним навчанням. 

Саме цю проблему інженери CSEM вирішили звернутися, і саме тоді вони розробили новий підхід. Інженери продемонстрували, що спрощені теоретичні моделі можна використовувати для навчання комп’ютерів, а потім переходити до реальних систем. Це дозволяє зробити процес машинного навчання більш точним на момент його застосування до реальної системи, оскільки комп’ютер навчається на своїх попередніх помилках з теоретичною моделлю. Це означає, що не буде різких коливань для реальної системи, що вирішує проблему з технологією контролю клімату. 

П’єр-Жан Алет є керівником досліджень розумних енергетичних систем у CSEM, а також співавтором дослідження. 

“Це як вивчення посібника з водіння перед тим, як сісти за кермо,” каже Алет. “З цим попереднім кроком навчання комп’ютери будують базу знань, на яку вони можуть опиратися, тому вони не будуть блукати у пошуках правильної відповіді.”

Зниження енергоспоживання

Одним з найважливіших аспектів цього нового методу є те, що він може зменшити споживання енергії на понад 20%. Інженери протестували метод на системі опалення, вентиляції та кондиціонування повітря (HVAC) у будівлі з 100 кімнат. 

Інженери використали три етапи, першим з яких було навчання комп’ютера на “віртуальній моделі”. Ця модель була створена за допомогою простих рівнянь, які пояснюють поведінку будівлі. Реальні дані будівлі, такі як температура, погодні умови та інші змінні, були потім подані комп’ютеру, що призвело до більш точного навчання. Останнім етапом було дозволити комп’ютеру запустити алгоритми підкріплювального навчання, які в кінцевому підсумку призведуть до найкращого підходу для системи HVAC. 

Новий метод, розроблений інженерами CSEM, може мати великі наслідки для машинного навчання. Багато застосувань, які раніше вважалися “недоторканними” підкріплювальним навчанням, такі як ті, які мають великі коливання, тепер можуть бути підходами до нового методу. Це призведе до зниження споживання енергії, зниження фінансових витрат та багатьох інших переваг. 

Дослідження було опубліковано в журналі IEEE Transactions on Neural Networks and Learning Systems, під назвою “Гібридний метод навчання для ідентифікації системи та оптимального контролю.” 

Авторами дослідження є: Баптіст Шубнель, Рафаель Е. Каррільйо, П’єр-Жан Алет та Андреас Гуттер.