工程师开发了新的机器学习方法，可减少能源消耗

瑞士电子和微技术中心的工程师们开发了一种新的机器学习方法，能够减少能源消耗，并允许人工智能（AI）完成一度被认为过于敏感的任务。

强化学习局限性

强化学习（Reinforcement learning）是人工智能的一个重要方面，它通过学习过去的经验不断改进自己。然而，这项技术往往很难应用于现实生活中的场景和情况，例如训练气候控制系统。像这样的应用程序不能处理温度的急剧变化，这将由强化学习带来。

这个问题正是CSEM工程师们着手解决的问题，也是他们提出新方法的时候。工程师们证明，简化的理论模型可以首先用于训练计算机，然后他们将转向现实生活中的系统。这使得机器学习过程在到达实际系统时更加精确，从之前的尝试和错误中学习理论模型。这意味着实际系统不会出现剧烈波动，用气候控制技术解决了问题。

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

亚历特说：“这就像是在开车前学习驾驶手册一样。“通过这一预训练步骤，计算机建立了一个可以利用的知识库，这样它们就不会在寻找正确答案时盲目飞行。”

减少能源消耗

这种新方法最重要的一个方面是它可以减少20%以上的能源消耗。工程师们在一座有100个房间的大楼里的一个供暖、通风和空调（HVAC）系统上测试了这种方法。

工程师们依赖于三个步骤，第一步是训练计算机学习“虚拟模式”，这个模型是通过简单的方程来建立的，这些方程可以解释建筑物的行为。真实的建筑数据，如温度，天气状况和其他变量，然后输入到计算机，这进一步导致了更准确有针对性的训练。最后一步是让计算机运行强化学习算法，这将最终为暖通空调系统找到最佳解决方法。

CSEM工程师开发的新方法可能会对机器学习产生重大影响。许多曾经被认为是强化学习“不可触及”的应用程序，比如那些波动很大的应用程序，现在可以用一种新的方式来处理。这将降低能源使用、降低财务成本和许多其他好处。

这项研究发表在《IEEE Transactions on Neural Networks and Learning Systems》上，题为“A hybrid learning method for system identification and optimal control”。

作者包括：巴普蒂斯特·舒布内尔、拉斐尔·E·卡里略、皮埃尔·让·阿莱和安德烈亚斯·赫特。