Ето как AI се учи да контролира хаоса

Машинното обучение преминава на следващо ниво с цифровите двойници.

Едно скорошно проучване демонстрира разработването на усъвършенствани алгоритми за машинно обучение, които могат ефективно да контролират дори и много сложни системи. Тези нови алгоритми, тествани върху цифрови двойници на хаотични електронни схеми, не само успешно прогнозират и контролират тяхното поведение, но и значително намаляват консумацията на енергия и изчислителните разходи.

Изследването показва, че системите, управлявани от алгоритми от следващо поколение, могат да доведат до по-ефективни продукти за машинно обучение. Учените са използвали техники за машинно обучение, за да създадат цифров двойник – виртуално копие – на електронна схема, известна с хаотичното си поведение. Те са успели да предвидят нейното поведение и да използват тези данни, за да я контролират.

Ограниченията на линейните контролери

Много устройства от ежедневието, като термостати и круиз контрол, използват линейни контролери, които използват прости правила, за да постигнат желаната стойност. Тези алгоритми обаче срещат трудности при управлението на системи с хаотично поведение.

Съвременните устройства, като автономните автомобили и самолетите, често използват контролери, базирани на машинно обучение, които прилагат сложни мрежи за намиране на оптималния алгоритъм за управление. Тези алгоритми обаче имат сериозни недостатъци, по-конкретно високи изчислителни разходи и консумация на енергия.

Въздействието на ефективните цифрови двойници

Наличието на ефективен цифров двойник би могло да окаже значително влияние върху развитието на бъдещите автономни технологии, отбелязва водещият автор на изследването Робърт Кент, дипломант във Физическия факултет на Университета в Охайо.

„Проблемът с повечето контролери, базирани на машинно обучение, е, че те консумират много енергия и отнемат много време за оценка“, обяснява Кент. „Проектирането на традиционни контролери за тях също е трудно, тъй като хаотичните системи са много чувствителни дори и към съвсем малките промени.“

Тези предизвикателства са особено критични в ситуации, в които милисекундите могат да бъдат решаващи, например при спиране на автономен автомобил, за да се предотврати инцидент.

Пробиви в архитектурата на машинното обучение

Разработеният от екипа цифров двойник е достатъчно компактен, за да се побере в евтин компютърен чип, и може да работи без интернет връзка. Това постижение стана възможно благодарение на използването на подход за машинно обучение, наречен резервни изчисления.

„Най-голямото предимство на използваната от нас архитектура за машинно обучение е способността ѝ ефективно да изучава поведението на променливи във времето системи“, обяснява Кент. „Тази архитектура е вдъхновена от работата на човешкия мозък.“

Практически приложения и перспективи

Въпреки че чиповете с подобен размер вече се използват в устройства като интелигентни хладилници, новият модел е особено подходящ за динамични системи като автономни автомобили и монитори за измерване на сърдечния ритъм. Големите модели за машинно обучение консумират много енергия за обработката на подобни данни и получаването на правилните параметри, докато моделът на Кент и неговото обучение са толкова прости, че системите могат да се учат в движение.

За да проверят теорията си, изследователите са тествали модела върху сложни задачи за управление и са сравнили резултатите с предходните методи. Оказало се, че техният подход постига по-висока точност и е значително по-малко изчислително сложен от предишните контролери, базирани на машинно обучение.

Икономически и екологични аспекти

Създаването на по-енергийно ефективни алгоритми има важни икономически и екологични последици. С нарастващата зависимост на обществото от компютрите и изкуствения интелект търсенето на центрове за данни бързо се увеличава, което поражда загриженост относно високата консумация на енергия от цифровите системи и техния въглероден отпечатък. Учените търсят начини за намаляване на въглеродните емисии, свързани с тази технология.

Бъдещите изследвания ще се съсредоточат върху обучението на модела за работа в други области, като например обработката на квантова информация. Кент е уверен, че тяхната разработка ще намери широко приложение в научната общност.

„Не са много хората в промишлеността и инженерството, които знаят за тези алгоритми, и една от основните цели на този проект е да привлече повече внимание към тях“, заключава Кент. „Това е първата стъпка към реализирането на техния потенциал.“