联系我们

强化学习

工程师开发了新的机器学习方法,可减少能源消耗

已发表

 on

瑞士电子和微技术中心的工程师已经开发出一种新的机器学习方法,该方法可以减少能耗,并允许人工智能(AI)完成曾经被认为过于敏感的任务。 

强化学习 Limitations

强化学习是计算机的主要方面,在强化学习中,计算机可以通过从过去的经验中学到知识,从而不断自我完善。但是,这种技术通常很难应用于现实生活中的情景和情况,例如培训气候控制系统。诸如此类的应用程序无法应对温度的急剧变化,这将通过强化学习来实现。 

这个确切的问题是CSEM工程师着手解决的,也就是他们提出新方法时的问题。工程师证明,简化的理论模型可以首先用于训练计算机,然后将其用于实际系统。这允许 机器学习 通过使用理论模型从以前的尝试和错误中学习,使过程在到达实际系统时更加准确。这意味着现实生活中的系统不会出现剧烈波动,从而解决了气候控制技术的示例性问题。 

Pierre-Jean Alet是CSEM智能能源系统研究的负责人,也是该研究的合著者。 

“这就像在开车之前要学习驾驶员手册一样,”阿莱特说。 “通过这一预培训步骤,计算机将建立起可以利用的知识库,从而在寻找正确答案时不会出现盲目情况。”

节能降耗

这种新方法最重要的方面之一是可以将能源使用量减少20%以上。工程师在位于100个房间的建筑中的供暖,通风和空调(HVAC)系统上测试了该方法。 

工程师依靠三个步骤,第一步是在“虚拟模式”下训练计算机。通过解释建筑物行为的简单方程式构建了该模型。然后将真实的建筑数据(例如温度,天气条件和其他变量)输入计算机,从而可以进行更准确的训练。最后一步是允许计算机运行强化学习算法,这最终将为HVAC系统提供最佳方法。 

CSEM工程师开发的新方法可能会对机器学习产生重大影响。曾经被认为是强化学习“无法触及”的许多应用程序,例如那些波动较大的应用程序,现在可以采用一种新的方式进行处理。这将导致较低的能源使用,较低的财务成本和许多其他好处。 

这项研究发表在杂志上 IEEE关于神经网络和学习系统的交易, 标题为“系统识别与最优控制的混合学习方法。” 

作者包括:Baptiste Schubnel,Rafael E. Carrillo,Pierre-Jean Alet和Andreas Hutter。 

 

亚历克斯·麦克法兰(Alex McFarland)是一位历史学家和新闻工作者,报道了人工智能的最新发展。