الگوریتم جدید یادگیری ماشینی نوید پیشرفت در محاسبات را می دهد

با استفاده از ابزارهای یادگیری ماشین برای ایجاد یک دوقلوی دیجیتال یا یک کپی مجازی از یک مدار الکترونیکی که رفتار آشفته ای از خود نشان می دهد، محققان دریافتند که در پیش بینی نحوه رفتار و استفاده از آن اطلاعات برای کنترل آن موفق بودند.

بسیاری از دستگاه‌های روزمره، مانند ترموستات‌ها و کروز کنترل، از کنترل‌کننده‌های خطی استفاده می‌کنند – که از قوانین ساده برای هدایت یک سیستم به یک مقدار دلخواه استفاده می‌کنند. به عنوان مثال، ترموستات ها از چنین قوانینی برای تعیین میزان گرم کردن یا خنک کردن یک فضا بر اساس تفاوت بین دمای فعلی و مطلوب استفاده می کنند.

با این حال، به دلیل ساده بودن این الگوریتم‌ها، آنها برای کنترل سیستم‌هایی که رفتار پیچیده‌ای مانند هرج و مرج را نشان می‌دهند، تلاش می‌کنند.

در نتیجه، دستگاه‌های پیشرفته مانند اتومبیل‌های خودران و هواپیماها اغلب به کنترل‌کننده‌های مبتنی بر یادگیری ماشینی متکی هستند که از شبکه‌های پیچیده برای یادگیری الگوریتم کنترل بهینه مورد نیاز برای بهترین عملکرد استفاده می‌کنند. با این حال، این الگوریتم ها دارای اشکالات قابل توجهی هستند، که سخت ترین آنها این است که پیاده سازی آنها می تواند بسیار چالش برانگیز و از نظر محاسباتی گران باشد.

رابرت کنت، نویسنده اصلی این مطالعه و دانشجوی فارغ التحصیل فیزیک در دانشگاه ایالتی اوهایو، گفت: اکنون دسترسی به یک دوقلو دیجیتال کارآمد احتمالاً تأثیر گسترده‌ای بر چگونگی توسعه فناوری‌های خودمختار آینده توسط دانشمندان خواهد داشت.

کنت می‌گوید: «مشکل اکثر کنترل‌کننده‌های مبتنی بر یادگیری ماشین این است که انرژی یا توان زیادی مصرف می‌کنند و ارزیابی آن‌ها زمان زیادی می‌برد. توسعه کنترل‌کننده‌های سنتی برای آن‌ها نیز دشوار بوده است، زیرا سیستم‌های آشفته به تغییرات کوچک بسیار حساس هستند.

به گفته او، این مسائل در شرایطی که میلی‌ثانیه‌ها می‌توانند بین مرگ و زندگی تفاوت ایجاد کنند، حیاتی هستند، مانند زمانی که وسایل نقلیه خودران باید برای جلوگیری از تصادف تصمیم به ترمز بگیرند.

این مطالعه اخیرا در منتشر شده است ارتباطات طبیعت

دوقلو دیجیتال این تیم به اندازه کافی جمع و جور برای قرار گرفتن بر روی یک تراشه کامپیوتری ارزان قیمت که قادر به تعادل در نوک انگشت شما است و می تواند بدون اتصال به اینترنت کار کند، برای بهینه سازی کارایی و عملکرد یک کنترلر ساخته شده است، که محققان دریافتند که منجر به کاهش مصرف انرژی می شود. این امر به راحتی به دست می آید، عمدتاً به این دلیل که با استفاده از نوعی رویکرد یادگیری ماشینی به نام محاسبات مخزن آموزش داده شده است.

کنت می‌گوید: «نکته مهم معماری یادگیری ماشینی که ما استفاده کردیم این است که در یادگیری رفتار سیستم‌هایی که در زمان تکامل می‌یابند بسیار خوب است. این از چگونگی جرقه زدن اتصالات در مغز انسان الهام گرفته شده است.

اگرچه تراشه‌های رایانه‌ای با اندازه مشابه در دستگاه‌هایی مانند یخچال‌های هوشمند استفاده شده‌اند، اما بر اساس این مطالعه، این توانایی محاسباتی جدید باعث می‌شود که مدل جدید به‌ویژه برای کنترل سیستم‌های پویا مانند وسایل نقلیه خودران و همچنین مانیتورهای قلب مجهز باشد. قادر به تطبیق سریع با ضربان قلب بیمار است.

او گفت: «مدل‌های یادگیری ماشینی بزرگ برای خرد کردن داده‌ها و ارائه پارامترهای مناسب باید انرژی زیادی مصرف کنند، در حالی که مدل و آموزش ما به قدری ساده است که می‌توانید سیستم‌های یادگیری را در حال پرواز داشته باشید.

برای آزمایش این نظریه، محققان مدل خود را برای تکمیل وظایف کنترلی پیچیده هدایت کردند و نتایج آن را با تکنیک های کنترل قبلی مقایسه کردند. این مطالعه نشان داد که رویکرد آنها نسبت به همتای خطی خود به دقت بالاتری در کارها دست یافته است و از نظر محاسباتی پیچیده‌تر از کنترل‌کننده‌های مبتنی بر یادگیری ماشین قبلی است.

کنت گفت: “افزایش دقت در برخی موارد بسیار قابل توجه بود.” اگرچه نتیجه نشان داد که الگوریتم آن‌ها به انرژی بیشتری نسبت به یک کنترل‌کننده خطی برای کار کردن نیاز دارد، اما این مبادله به این معنی است که با روشن شدن آن، مدل تیم بیشتر دوام می‌آورد و به طور قابل‌توجهی کارآمدتر از کنترل‌کننده‌های مبتنی بر یادگیری ماشین فعلی در بازار است.

کنت گفت: «مردم فقط بر اساس میزان کارآمدی آن، استفاده خوبی از آن خواهند یافت. “شما می توانید آن را تقریبا بر روی هر پلتفرمی پیاده سازی کنید و درک آن بسیار ساده است.” این الگوریتم اخیراً در اختیار دانشمندان قرار گرفته است.

به گفته کنت، علاوه بر الهام بخشیدن به پیشرفت‌های بالقوه در مهندسی، انگیزه اقتصادی و زیست محیطی به همان اندازه مهم برای ایجاد الگوریتم‌های سازگارتر با قدرت وجود دارد.

از آنجایی که جامعه تقریباً در تمام جنبه‌های زندگی روزمره به رایانه‌ها و هوش مصنوعی وابسته‌تر می‌شود، تقاضا برای مراکز داده در حال افزایش است و بسیاری از کارشناسان را به نگرانی در مورد اشتهای عظیم سیستم‌های دیجیتال و کارهایی که صنایع آینده برای همگام شدن با آن باید انجام دهند، سوق داده است.

و از آنجایی که ساخت این مراکز داده و همچنین آزمایش‌های محاسباتی در مقیاس بزرگ می‌تواند ردپای کربن زیادی ایجاد کند، دانشمندان به دنبال راه‌هایی برای مهار انتشار کربن از این فناوری هستند.

کنت گفت، برای پیشبرد نتایج آنها، کار آینده احتمالاً به سمت آموزش مدل برای کشف سایر برنامه‌ها مانند پردازش اطلاعات کوانتومی هدایت خواهد شد. در این میان، او انتظار دارد که این عناصر جدید تا حد زیادی به جامعه علمی راه یابد.

کنت می گوید: «مردم به اندازه کافی درباره این نوع الگوریتم ها در صنعت و مهندسی نمی دانند و یکی از اهداف بزرگ این پروژه این است که افراد بیشتری در مورد آنها بیاموزند. “این کار اولین گام بزرگی برای دستیابی به این پتانسیل است.”

این مطالعه توسط دفتر تحقیقات علمی نیروی هوایی ایالات متحده پشتیبانی شده است. سایر نویسندگان ایالت اوهایو عبارتند از Wendson AS Barbosa و Daniel J. Gauthier.