一種新的機器學習方法解決了強化學習的局限性，可以減少20%的能源消耗

工程師們已經開發(fā)出一種新的機器學習方法，能夠將能源消耗減少20%以上

這種方法還允許人工智能完成以前認為不可能完成的任務

由瑞士電子和微技術中心（CSEM）工程師開發(fā)的新方法可能對機器學習產生重大影響

人工智能（AI）工程師擁有機器學習方面的實踐經驗，通過促進基于數據的決策和構建新的數據驅動的商業(yè)模型，幫助企業(yè)解決復雜的商業(yè)問題。

通過使用計算智能、模式識別和預測分析技術來創(chuàng)建面向未來的機器學習應用程序，他們可以使用智能算法優(yōu)化和自動化業(yè)務流程。

雖然機器學習的發(fā)展可以幫助組織推動業(yè)務成果，它也可以創(chuàng)造突破性的成果和提高運營效率。盡管新冠肺炎疫情在全球大流行，但人工智能和機器學習仍在繼續(xù)取得長足進展。

瑞士電子與微技術中心（CSEM）的工程師們開發(fā)了一種新的機器學習方法，能夠將能源消耗減少20%以上。工程師們的研究發(fā)表在《IEEE神經網絡和學習系統(tǒng)匯刊》上。據說，這種方法還能讓人工智能完成以前不可能完成的過于敏感的任務。

一種新方法

CSEM工程師們設計的新方法專注于人工智能的一個主要方面，即強化學習的改進，即計算機通過從過去的經驗中學習來不斷改進自己。2016年，一臺超級計算機用同樣類型的人工智能擊敗圍棋世界冠軍。

然而，這項技術的主要缺點是，它很難應用于實際場景和情況，比如訓練氣候控制系統(tǒng)，因為它們無法應對強化學習帶來的溫度急劇變化。

作為回應，CSEM的工程師們開始著手解決強化學習的局限性，即計算機通過從過去的經驗中學習來不斷改進自己。這是通過演示簡化的理論模型來實現的，這些模型可以首先用于訓練計算機，然后再將計算機轉化為現實系統(tǒng)。

這允許更精確的機器學習過程，從而產生一個更勝任的現實生活系統(tǒng)，該系統(tǒng)從理論模型內以前的試錯過程中學習–這種新開發(fā)的方法解決了氣候控制技術的任何問題，并確?，F實生活系統(tǒng)不會發(fā)生劇烈波動。

這項研究的合著者、CSEM智能能源系統(tǒng)研究負責人皮埃爾·讓·阿萊特（PierreJeanAlet）說：“這就像在開車前學習駕駛手冊一樣，通過這一預培訓步驟，電腦建立了一個可以借鑒的知識庫，這樣在尋找正確答案時就不會盲目?！?/p>

節(jié)約能源使用

這種新方法的一個主要優(yōu)點是，它可以節(jié)省超過20%的能源，相當于過去消耗能源的五分之一。為了確保這一點，工程師們在一棟有100個房間的建筑中用一個三步流程對供暖、通風和空調（HVAC）系統(tǒng)進行了測試。

第一步是對計算機進行“虛擬模式”訓練，然后向計算機輸入真實的建筑數據，如溫度、天氣狀況和其他變量，從而得到更精確的訓練。最后是最后一步，允許計算機運行強化學習算法，這最終為暖通空調系統(tǒng)提供了最佳解決方案。

據說，這一發(fā)現為機器學習開辟了新的可能性，將機器學習的應用擴展到可能發(fā)生大波動并產生重要財務或安全成本的應用領域。

隨著能源不斷發(fā)展以滿足21世紀不斷擴大的需求，能源消費方面的技術和數字發(fā)展有助于企業(yè)在更智能的環(huán)境中蓬勃發(fā)展，從而優(yōu)化可再生能源及其集成、控制和維護。

人工智能和機器學習的最新發(fā)展可能只是幫助保護自然環(huán)境、推動經濟發(fā)展和推動能源領域創(chuàng)新的一小步。
編輯：lyn