新的机器学习方法，能够将能源消耗减少20%以上

一种新的机器学习方法解决了强化学习的局限性，可以减少20%的能源消耗

工程师们已经开发出一种新的机器学习方法，能够将能源消耗减少20%以上

这种方法还允许人工智能完成以前认为不可能完成的任务

由瑞士电子和微技术中心（CSEM）工程师开发的新方法可能对机器学习产生重大影响

人工智能（AI）工程师拥有机器学习方面的实践经验，通过促进基于数据的决策和构建新的数据驱动的商业模型，帮助企业解决复杂的商业问题。

通过使用计算智能、模式识别和预测分析技术来创建面向未来的机器学习应用程序，他们可以使用智能算法优化和自动化业务流程。

虽然机器学习的发展可以帮助组织推动业务成果，它也可以创造突破性的成果和提高运营效率。尽管新冠肺炎疫情在全球大流行，但人工智能和机器学习仍在继续取得长足进展。

瑞士电子与微技术中心（CSEM）的工程师们开发了一种新的机器学习方法，能够将能源消耗减少20%以上。工程师们的研究发表在《IEEE神经网络和学习系统汇刊》上。据说，这种方法还能让人工智能完成以前不可能完成的过于敏感的任务。

一种新方法

CSEM工程师们设计的新方法专注于人工智能的一个主要方面，即强化学习的改进，即计算机通过从过去的经验中学习来不断改进自己。2016年，一台超级计算机用同样类型的人工智能击败围棋世界冠军。

然而，这项技术的主要缺点是，它很难应用于实际场景和情况，比如训练气候控制系统，因为它们无法应对强化学习带来的温度急剧变化。

作为回应，CSEM的工程师们开始着手解决强化学习的局限性，即计算机通过从过去的经验中学习来不断改进自己。这是通过演示简化的理论模型来实现的，这些模型可以首先用于训练计算机，然后再将计算机转化为现实系统。

这允许更精确的机器学习过程，从而产生一个更胜任的现实生活系统，该系统从理论模型内以前的试错过程中学习–这种新开发的方法解决了气候控制技术的任何问题，并确保现实生活系统不会发生剧烈波动。

这项研究的合著者、CSEM智能能源系统研究负责人皮埃尔·让·阿莱特（PierreJeanAlet）说：“这就像在开车前学习驾驶手册一样，通过这一预培训步骤，电脑建立了一个可以借鉴的知识库，这样在寻找正确答案时就不会盲目。”

节约能源使用

这种新方法的一个主要优点是，它可以节省超过20%的能源，相当于过去消耗能源的五分之一。为了确保这一点，工程师们在一栋有100个房间的建筑中用一个三步流程对供暖、通风和空调（HVAC）系统进行了测试。

第一步是对计算机进行“虚拟模式”训练，然后向计算机输入真实的建筑数据，如温度、天气状况和其他变量，从而得到更精确的训练。最后是最后一步，允许计算机运行强化学习算法，这最终为暖通空调系统提供了最佳解决方案。

据说，这一发现为机器学习开辟了新的可能性，将机器学习的应用扩展到可能发生大波动并产生重要财务或安全成本的应用领域。

随着能源不断发展以满足21世纪不断扩大的需求，能源消费方面的技术和数字发展有助于企业在更智能的环境中蓬勃发展，从而优化可再生能源及其集成、控制和维护。

人工智能和机器学习的最新发展可能只是帮助保护自然环境、推动经济发展和推动能源领域创新的一小步。
编辑：lyn