Gli ingegneri sviluppano un nuovo metodo di apprendimento automatico in grado di ridurre il consumo di energia
Gli ingegneri del Centro svizzero di elettronica e microtecnologia hanno sviluppato un nuovo metodo di apprendimento automatico in grado di ridurre il consumo di energia, oltre a consentire all’intelligenza artificiale (AI) di completare attività un tempo considerate troppo delicate.
Limitazioni dell’apprendimento per rinforzo
L’apprendimento per rinforzo, in cui un computer migliora continuamente se stesso imparando dalle sue esperienze passate, è un aspetto importante dell’intelligenza artificiale. Tuttavia, questa tecnologia è spesso difficile da applicare a scenari e situazioni di vita reale, come la formazione di sistemi di controllo del clima. Applicazioni come questa non sono in grado di affrontare drastici cambiamenti di temperatura, che sarebbero causati dall’apprendimento per rinforzo.
Questo problema esatto è ciò che gli ingegneri CSEM si sono proposti di affrontare, ed è allora che hanno escogitato il nuovo approccio. Gli ingegneri hanno dimostrato che i modelli teorici semplificati potevano essere utilizzati prima per addestrare i computer e poi si sarebbero rivolti ai sistemi della vita reale. Ciò consente al processo di apprendimento automatico di essere più accurato nel momento in cui raggiunge il sistema della vita reale, imparando dai suoi precedenti tentativi ed errori con il modello teorico. Ciò significa che non ci saranno fluttuazioni drastiche per il sistema reale, risolvendo il problema di esempio con la tecnologia di controllo del clima.
Pierre-Jean Alet è a capo della ricerca sui sistemi energetici intelligenti presso CSEM, nonché coautore dello studio.
“È come imparare il manuale del conducente prima di avviare un’auto”, dice Alet. “Con questa fase di pre-formazione, i computer creano una base di conoscenze a cui possono attingere in modo da non impazzire mentre cercano la risposta giusta.”
Tagli di energia
Uno degli aspetti più importanti di questo nuovo metodo è che può ridurre il consumo di energia di oltre il 20%. Gli ingegneri hanno testato il metodo su un sistema di riscaldamento, ventilazione e condizionamento (HVAC), che si trovava in un edificio di 100 stanze.
Gli ingegneri si sono affidati a tre passaggi, il primo dei quali consisteva nell’addestrare un computer in una “modalità virtuale”. Questo modello è stato costruito attraverso semplici equazioni che spiegano il comportamento dell’edificio. I dati reali degli edifici come temperatura, condizioni meteorologiche e altre variabili sono stati quindi inviati al computer, il che ha portato a un addestramento più accurato. L’ultimo passaggio è stato quello di consentire al computer di eseguire gli algoritmi di apprendimento per rinforzo, che alla fine si sarebbero tradotti nell’approccio migliore per il sistema HVAC.
Il nuovo metodo sviluppato dagli ingegneri CSEM potrebbe avere grandi implicazioni per l’apprendimento automatico. Molte applicazioni che un tempo erano ritenute “intoccabili” dall’apprendimento per rinforzo, come quelle con grandi fluttuazioni, ora potrebbero essere affrontate in un modo nuovo. Ciò comporterebbe un minore utilizzo di energia, minori costi finanziari e molti altri vantaggi.
La ricerca è stata pubblicata sulla rivista IEEE Transactions on Neural Networks and Learning Systems, intitolata ” Un metodo di apprendimento ibrido per l’identificazione del sistema e il controllo ottimale “.
Gli autori includono: Baptiste Schubnel, Rafael E. Carrillo, Pierre-Jean Alet e Andreas Hutter.
