Как ИИ учится контролировать хаос

Недавнее исследование продемонстрировало разработку передовых алгоритмов машинного обучения, способных эффективно контролировать сложные системы. Эти новые алгоритмы, испытанные на цифровых двойниках хаотических электронных цепей, не только успешно предсказывают и контролируют их поведение, но и значительно снижают потребление энергии и вычислительные затраты.

Исследование показало, что системы, управляемые алгоритмами нового поколения, могут привести к созданию более эффективных продуктов машинного обучения. Учёные использовали техники машинного обучения для создания цифрового двойника – виртуальной копии – электронной цепи, известной своим хаотичным поведением. Им удалось предсказать её поведение и использовать эти данные для управления.

Ограничения линейных контроллеров

Многие повседневные устройства, такие как термостаты и круиз-контроль, используют линейные контроллеры, которые применяют простые правила для достижения желаемого значения. Однако такие алгоритмы сталкиваются с трудностями при управлении системами с хаотичным поведением.

Современные устройства, например, автономные автомобили и самолёты, часто используют контроллеры на основе машинного обучения, которые применяют сложные сети для нахождения оптимального алгоритма управления. Тем не менее, такие алгоритмы имеют серьёзные недостатки, в частности высокие вычислительные затраты и энергопотребление.

Влияние эффективных цифровых двойников

Наличие эффективного цифрового двойника может значительно повлиять на разработку будущих автономных технологий, отмечает ведущий автор исследования Роберт Кент, аспирант физического факультета Университета Огайо. «Проблема большинства контроллеров на основе машинного обучения в том, что они потребляют много энергии и требуют много времени для оценки», - поясняет Кент. «Разработка традиционных контроллеров для них также сложна, так как хаотичные системы очень чувствительны к небольшим изменениям».

Эти проблемы особенно критичны в ситуациях, где миллисекунды могут быть решающими, например, при торможении автономного автомобиля для предотвращения аварии.

Прорывы в архитектуре машинного обучения

Цифровой двойник, разработанный командой, достаточно компактен, чтобы уместиться на недорогом компьютерном чипе, и может работать без подключения к интернету. Это достижение стало возможным благодаря использованию подхода машинного обучения, называемого резервоарным вычислением.

«Великолепие используемой нами архитектуры машинного обучения заключается в её способности эффективно изучать поведение систем, изменяющихся во времени», - объясняет Кент. «Эта архитектура вдохновлена работой человеческого мозга».

Практические приложения и перспективы

Хотя аналогичные по размеру чипы уже применяются в устройствах, таких как "умные" холодильники, новая модель особенно хорошо справляется с динамическими системами, такими как автономные автомобили и мониторы сердечного ритма. Большие модели машинного обучения потребляют много энергии для обработки данных и получения правильных параметров, тогда как модель Кента и её обучение настолько просты, что системы могут обучаться на ходу.

Для проверки своей теории исследователи протестировали модель на выполнении сложных задач управления и сравнили результаты с предыдущими методами. Оказалось, что их подход достиг более высокой точности и был значительно менее вычислительно сложным, чем предыдущие контроллеры на основе машинного обучения.

Экономические и экологические аспекты

Создание более энергоэффективных алгоритмов имеет также важное экономическое и экологическое значение. С ростом зависимости общества от компьютеров и ИИ, спрос на дата-центры стремительно увеличивается, что вызывает беспокойство по поводу большого энергопотребления цифровых систем и их углеродного следа. Учёные ищут способы сократить выбросы углекислого газа, связанные с этой технологией.

В дальнейшем исследование будет направлено на обучение модели для работы в других областях, таких как квантовая обработка информации. Кент уверен, что их разработка найдёт широкое применение в научном сообществе.

«Не так много людей в промышленности и инженерии знают о таких алгоритмах, и одна из главных целей этого проекта – привлечь к ним больше внимания», - заключает Кент. «Это первый шаг на пути к реализации их потенциала».