工程师开发出一种新的机器学习方法，能够削减能源消耗

瑞士电子和微技术中心的工程师开发出一种新的机器学习方法，能够削减能源消耗，并使人工智能（AI）能够完成以前被认为过于敏感的任务。

强化学习的局限性

强化学习是一种计算机通过学习过去的经验不断改进自己的技术，是人工智能的一个重要方面。然而，这种技术往往难以应用于现实生活中的情景和情况，例如训练气候控制系统。这种应用无法处理强化学习带来的剧烈温度变化。

这正是CSEM工程师试图解决的问题，他们提出了新的方法。工程师们证明，简化的理论模型可以先用于训练计算机，然后转移到现实系统中。这使得机器学习过程更加准确，因为它可以从之前的试验和错误中学习，避免现实系统中的剧烈波动，解决气候控制技术的问题。

皮埃尔-让·阿莱（Pierre-Jean Alet）是CSEM智能能源系统研究负责人，也是研究的共同作者。

“这就像在开车前学习驾驶手册，”阿莱说。“通过这种预训练步骤，计算机建立了一个知识库，它可以在搜索正确答案时使用，而不是盲目地搜索。”

能源削减

这种新方法的一个最重要的方面是，它可以削减超过20%的能源消耗。工程师们在一个100间房间的建筑中测试了这种方法，使用的是供暖、通风和空调（HVAC）系统。

工程师们采用了三步骤，第一步是训练计算机使用“虚拟模式”。这个模型是通过简单的方程构建的，解释了建筑的行为。然后，真实的建筑数据，如温度、天气条件和其他变量，被输入到计算机中，结果是更准确的训练。最后一步是允许计算机运行强化学习算法，这将最终导致HVAC系统的最佳方法。

CSEM工程师开发出的新方法可能对机器学习产生重大影响。以前被认为是“不可触及”的应用，例如那些具有大波动的应用，现在可以通过新的方式来处理。这将导致能源消耗降低，财务成本降低和许多其他好处。

研究结果发表在《IEEE神经网络和学习系统交易》杂志上，题为“一种混合学习方法用于系统识别和最优控制”。

作者包括：巴蒂斯特·舒布内尔（Baptiste Schubnel）、拉斐尔·E·卡里略（Rafael E. Carrillo）、皮埃尔-让·阿莱（Pierre-Jean Alet）和安德烈亚斯·胡特（Andreas Hutter）。