跳动城乡网一项新的研究表明，由下一代计算算法控制的系统可以产生更好、更高效的机器学习产品。
研究人员发现，使用机器学习工具创建表现出混沌行为的电子电路的数字孪生(虚拟副本)，他们成功地预测了其行为方式并利用该信息来控制它。
许多日常设备(例如恒温器和巡航控制系统)都使用线性控制器，该控制器使用简单的规则将系统引导至所需值。例如，恒温器采用此类规则来根据当前温度和所需温度之间的差异来确定对空间进行加热或冷却的程度。
然而，由于这些算法非常简单，它们很难控制表现出复杂行为(例如混乱)的系统。
因此，自动驾驶汽车和飞机等先进设备通常依赖于基于机器学习的控制器，这些控制器使用复杂的网络来学习高效运行所需的最佳控制算法。然而，这些算法具有显着的缺点，其中最苛刻的缺点是它们的实现极具挑战性且计算成本昂贵。
该研究的主要作者、俄亥俄州立大学物理学研究生罗伯特·肯特表示，现在，获得高效的数字孪生可能会对科学家开发未来自主技术的方式产生广泛影响。
“大多数基于机器学习的控制器的问题是它们使用大量的能源或电力，并且需要很长时间来评估，”肯特说。“为它们开发传统控制器也很困难，因为混沌系统对微小变化极其敏感。”
他说，在几毫秒就可以决定生的情况下，例如自动驾驶车辆必须决定刹车以防止事故发生时，这些问题至关重要。
该团队的数字孪生结构足够紧凑，可以安装在廉价的计算机上，该能够在指尖上保持平衡，并且能够在没有互联网连接的情况下运行，旨在优化控制器的效率和性能，研究人员发现这可以降低功耗。它很容易实现这一点，主要是因为它是使用一种称为水库计算的机器学习方法进行训练的。
“我们使用的机器学习架构的伟大之处在于，它非常擅长学习随时间演变的系统行为，”肯特说。“它的灵感来自于人脑中连接的火花。”
研究表明，尽管类似尺寸的计算机已用于智能冰箱等设备，但这种新颖的计算能力使新模型特别适合处理自动驾驶车辆和心脏监视器等动态系统，而这些系统必须能够快速适应病人的心跳。
“大型机器学习模型必须消耗大量电力来处理数据并得出正确的参数，而我们的模型和训练非常简单，您可以让系统即时学习，”他说。
为了检验这一理论，研究人员指导他们的模型完成复杂的控制任务，并将其结果与以前的控制技术的结果进行比较。研究表明，他们的方法比线性方法在任务上实现了更高的准确性，并且计算复杂性比以前的基于机器学习的控制器要低得多。
“在某些情况下，准确性的提高相当显着，”肯特说。尽管结果表明，他们的算法确实需要比线性控制器更多的能量来运行，但这种权衡意味着，当它通电时，该团队的模型比市场上当前基于机器学习的控制器持续时间更长，并且效率更高。
肯特说：“人们会根据它的效率来发现它的好处。”“你几乎可以在任何平台上实现它，而且非常容易理解。”该算法最近已提供给科学家。
肯特说，除了激发工程方面的潜在进步之外，创建更节能的算法还具有同样重要的经济和环境激励。
随着社会在日常生活的几乎所有方面越来越依赖计算机和人工智能，对数据中心的需求正在飙升，导致许多专家担心数字系统的巨大电力需求以及未来行业需要采取哪些措施才能跟上它。
由于建设这些数据中心以及大规模计算实验会产生大量碳足迹，因此科学家们正在寻找遏制该技术碳排放的方法。
肯特说，为了推进他们的成果，未来的工作可能会转向训练模型以探索量子信息处理等其他应用。与此同时，他预计这些新元素将深入科学界。
“在工业和工程领域，没有足够多的人了解这些类型的算法，这个项目的大目标之一就是让更多的人了解它们，”肯特说。“这项工作是实现这一潜力的重要第一步。”
俄亥俄州立大学的其他合著者包括WendsonASBarbosa和DanielJ.Gauthier。
