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模型，幫助企業解決復雜的商業問題。

通過使用計算智能、模式識別和預測分析技術來創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化和自動化業務流程。

雖然機器學習的發展可以幫助組織推動業務成果，它也可以創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取得長足進展。

瑞士電子與微技術中心（CSEM）的工程師們開發了一種新的機器學習方法，能夠將能源消耗減少20%以上。工程師們的研究發表在《IEEE神經網絡和學習系統匯刊》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，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。

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，該系統從理論模型內以前的試錯過程中學習–這種新開發的方法解決了氣候控制技術的任何問題，并確保現實生活系統不會發生劇烈波動。

這項研究的合著者、CSEM智能能源系統研究負責人皮埃爾·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。”

節約能源使用

這種新方法的一個主要優點是，它可以節省超過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提供了最佳解決方案。

據說，這一發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展有助于企業在更智能的環境中蓬勃發展，從而優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展可能只是幫助保護自然環境、推動經濟發展和推動能源領域創新的一小步。
編輯：lyn