瑞士電子和微技術中心的工程師們開發了一種新的機器學習方法，能夠減少能源消耗，并允許人工智能（AI）完成一度被認為過于敏感的任務。

強化學習局限性

強化學習（Reinforcement learning）是人工智能的一個重要方面，它通過學習過去的經驗不斷改進自己。然而，這項技術往往很難應用于現實生活中的場景和情況，例如訓練氣候控制系統。像這樣的應用程序不能處理溫度的急劇變化，這將由強化學習帶來。

這個問題正是CSEM工程師們著手解決的問題，也是他們提出新方法的時候。工程師們證明，簡化的理論模型可以首先用于訓練計算機，然后他們將轉向現實生活中的系統。這使得機器學習過程在到達實際系統時更加精確，從之前的嘗試和錯誤中學習理論模型。這意味著實際系統不會出現劇烈波動，用氣候控制技術解決了問題。

Pierre-Jean-Alet是CSEM智能能源系統研究的負責人，也是這項研究的合著者。

亞歷特說：“這就像是在開車前學習駕駛手冊一樣?！巴ㄟ^這一預訓練步驟，計算機建立了一個可以利用的知識庫，這樣它們就不會在尋找正確答案時盲目飛行?！?/p>

減少能源消耗

這種新方法最重要的一個方面是它可以減少20%以上的能源消耗。工程師們在一座有100個房間的大樓里的一個供暖、通風和空調（HVAC）系統上測試了這種方法。

工程師們依賴于三個步驟，第一步是訓練計算機學習“虛擬模式”，這個模型是通過簡單的方程來建立的，這些方程可以解釋建筑物的行為。真實的建筑數據，如溫度，天氣狀況和其他變量，然后輸入到計算機，這進一步導致了更準確有針對性的訓練。最后一步是讓計算機運行強化學習算法，這將最終為暖通空調系統找到最佳解決方法。

CSEM工程師開發的新方法可能會對機器學習產生重大影響。許多曾經被認為是強化學習“不可觸及”的應用程序，比如那些波動很大的應用程序，現在可以用一種新的方式來處理。這將降低能源使用、降低財務成本和許多其他好處。
責任編輯：tzh