Các Kỹ Sư Phát Triển Phương Pháp Học Máy Mới Có Thể Cắt Giảm Sử Dụng Năng Lượng

Các kỹ sư tại Trung Tâm Điện Tử và Công Nghệ Vi Mô Thụy Sĩ đã phát triển một phương pháp học máy mới có khả năng cắt giảm sử dụng năng lượng, cũng như cho phép trí tuệ nhân tạo (AI) hoàn thành các nhiệm vụ trước đây được coi là quá nhạy cảm.

Giới Hạn Của Học Tăng Cường

Học tăng cường, nơi một máy tính liên tục cải thiện bản thân bằng cách học từ kinh nghiệm trước đây, là một khía cạnh quan trọng của trí tuệ nhân tạo. Tuy nhiên, công nghệ này thường khó áp dụng vào các tình huống thực tế, chẳng hạn như đào tạo hệ thống kiểm soát khí hậu. Các ứng dụng như vậy không thể xử lý các thay đổi nhiệt độ đột ngột, điều này sẽ được đưa ra bởi học tăng cường.

Vấn đề chính xác này là những gì các kỹ sư CSEM đã cố gắng giải quyết, và đó là khi họ nghĩ ra phương pháp mới. Các kỹ sư đã chứng minh rằng các mô hình lý thuyết đơn giản hóa có thể được sử dụng để đào tạo máy tính trước, và sau đó họ sẽ chuyển sang các hệ thống thực tế. Điều này cho phép quá trình học máy trở nên chính xác hơn khi nó đạt đến hệ thống thực tế, học từ các thử nghiệm và sai lầm trước đó với mô hình lý thuyết. Điều này có nghĩa là sẽ không có sự thay đổi đột ngột cho hệ thống thực tế, giải quyết vấn đề ví dụ về công nghệ kiểm soát khí hậu.

Pierre-Jean Alet là trưởng nhóm nghiên cứu hệ thống năng lượng thông minh tại CSEM, cũng như đồng tác giả của nghiên cứu.

“Điều này giống như học sách hướng dẫn lái xe trước khi bạn bắt đầu một chiếc xe,” Alet nói. “Với bước đào tạo trước này, máy tính xây dựng một cơ sở kiến thức mà chúng có thể dựa vào để không phải mò mẫm tìm kiếm câu trả lời.”

Cắt Giảm Năng Lượng

Một trong những khía cạnh quan trọng nhất của phương pháp mới này là nó có thể cắt giảm sử dụng năng lượng hơn 20%. Các kỹ sư đã thử nghiệm phương pháp này trên một hệ thống sưởi, thông gió và điều hòa không khí (HVAC) nằm trong một tòa nhà 100 phòng.

Các kỹ sư đã dựa vào ba bước, bước đầu tiên là đào tạo máy tính trên một “chế độ ảo”. Mô hình này được xây dựng thông qua các phương trình đơn giản giải thích hành vi của tòa nhà. Dữ liệu thực tế của tòa nhà như nhiệt độ, điều kiện thời tiết và các biến số khác được cung cấp cho máy tính, dẫn đến đào tạo chính xác hơn. Bước cuối cùng là cho phép máy tính chạy các thuật toán học tăng cường, điều này sẽ dẫn đến phương pháp tiếp cận tốt nhất cho hệ thống HVAC.

Phương pháp mới được phát triển bởi các kỹ sư CSEM có thể có những ý nghĩa lớn cho học máy. Nhiều ứng dụng trước đây được coi là “bất khả xâm phạm” bởi học tăng cường, như những ứng dụng có sự thay đổi lớn, có thể được tiếp cận theo một cách mới. Điều này sẽ dẫn đến việc sử dụng năng lượng thấp hơn, chi phí tài chính thấp hơn và nhiều lợi ích khác.

Nghiên cứu được công bố trên tạp chí IEEE Transactions on Neural Networks and Learning Systems, được đặt tên là “Một phương pháp học hỗn hợp để xác định hệ thống và kiểm soát tối ưu.”

Các tác giả bao gồm: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet và Andreas Hutter.