瑞士电子和微技术中心的工程师们开发了一种新的机器学习方法，它可以降低能源消耗，并允许人工智能（Ai) 执行一度被认为过于敏感的任务。

强化学习限制

强化学习（ReinforcementLearning，ReinforcementLearning) 是人工智能的一个重要方面，它通过学习过去的经验不断地改进自己。然而，这种技术通常很难应用于现实生活中的场景和情况，例如训练气候控制系统。像这样的应用不能处理温度的急剧变化，而这将通过强化学习来实现。

这是 CSEM 工程师们正在研究的问题，也是他们想出新方法的时候。工程师们已经证明，简化的理论模型首先可以用来训练计算机，然后他们将转向现实系统。这使得机器学习过程在到达实际系统时更加准确，从以前的尝试和错误中学习理论模型。这意味着，使用气候控制技术解决这个问题，实际系统不会剧烈波动。

皮埃尔·让·阿莱特（Pierre-Jean-Alet) 是 CSEM 智能能源系统研究（CSEM) 的负责人，也是该研究的共同作者。

这就像在开车前学习驾驶手册一样，"亚历特说。" 通过这一培训前的步骤，计算机建立了一个可用的知识库，这样他们就不会在寻找正确答案的同时盲目飞行。

减少能源消耗

这一新方法最重要的方面之一是，它可以将能耗降低 20% 以上。工程师们在一座 100 间房的建筑中测试了暖通空调（HVAC) 系统的使用方法。

工程师们依赖于三个步骤。第一步是训练计算机学习 "虚拟模式"，这是基于简单的公式来解释建筑物的行为。然后将真实的建筑数据，如温度、天气状况和其他变量输入到计算机中，从而进一步提高培训的准确性和针对性。最后一步是让计算机运行强化学习算法，最终为暖通空调系统找到最佳解决方案。

CSEM 工程师开发的新方法可能会对机器学习产生重大影响。过去通过强化学习而被视为 "不可接触" 的许多应用程序，例如那些波动较大的应用，现在可以用新的方式来处理。这将减少能源消耗，降低财务成本和许多其他好处。