Модели цифровых двойников обещают прогресс в области вычислений

Новое исследование предполагает, что системы, управляемые вычислительными алгоритмами следующего поколения, могут привести к появлению более качественных и эффективных продуктов машинного обучения.

Используя инструменты машинного обучения для создания цифрового двойника (виртуальной копии) электронной схемы, которая демонстрирует хаотическое поведение, исследователи обнаружили, что им удалось предсказать, как она будет вести себя, и использовать эту информацию для управления ею.

Многие повседневные устройства, такие как термостаты и круиз-контроль, используют линейные контроллеры, которые используют простые правила для направления системы на желаемое значение. Например, термостаты используют такие правила, чтобы определить, насколько нужно нагревать или охлаждать помещение, исходя из разницы между текущей и желаемой температурами.

Однако из-за простоты этих алгоритмов им сложно управлять системами, которые демонстрируют сложное поведение, например хаос.

В результате передовые устройства, такие как беспилотные автомобили и самолеты, часто полагаются на контроллеры на основе машинного обучения, которые используют сложные сети для изучения оптимального алгоритма управления, необходимого для эффективной работы. Однако эти алгоритмы имеют существенные недостатки, наиболее существенным из которых является то, что их реализация может быть чрезвычайно сложной и дорогостоящей в вычислительном отношении.

Теперь доступ к эффективному цифровому двойнику, вероятно, окажет огромное влияние на то, как ученые разрабатывают будущие автономные технологии, сказал Роберт Кент, ведущий автор исследования и аспирант по физике в Университете штата Огайо.

Работа опубликована в журнале Природные коммуникации.

«Проблема большинства контроллеров, основанных на машинном обучении, заключается в том, что они потребляют много энергии и мощности, и их оценка занимает много времени», — сказал Кент. «Разработка для них традиционных контроллеров также оказалась сложной задачей, поскольку хаотические системы чрезвычайно чувствительны к небольшим изменениям».

Эти проблемы, по его словам, имеют решающее значение в ситуациях, когда миллисекунды могут решить разницу между жизнью и смертью, например, когда беспилотные транспортные средства должны принять решение затормозить, чтобы предотвратить аварию.

Достаточно компактный, чтобы поместиться в недорогой компьютерный чип, способный балансировать на кончике пальца и работать без подключения к Интернету, цифровой двойник команды был создан для оптимизации эффективности и производительности контроллера, что, как обнаружили исследователи, привело к снижению энергопотребления. Это достигается довольно легко, главным образом потому, что он был обучен с использованием подхода машинного обучения, называемого резервуарными вычислениями.

«Самое замечательное в используемой нами архитектуре машинного обучения то, что она очень хорошо изучает поведение систем, которые развиваются во времени», — сказал Кент. «Это вдохновлено тем, как в человеческом мозгу возникают связи».

Хотя компьютерные чипы аналогичного размера используются в таких устройствах, как умные холодильники, согласно исследованию, эта новая вычислительная способность делает новую модель особенно хорошо оборудованной для работы с динамическими системами, такими как беспилотные автомобили, а также кардиомониторами, которые должны уметь быстро адаптироваться к сердцебиению пациента.

«Большие модели машинного обучения должны потреблять много энергии, чтобы обработать данные и получить правильные параметры, тогда как наша модель и обучение настолько просты, что вы можете обучать системы на лету», — сказал он.

Чтобы проверить эту теорию, исследователи направили свою модель на решение сложных задач управления и сравнили ее результаты с результатами предыдущих методов управления. Исследование показало, что их подход обеспечивает более высокую точность решения задач, чем его линейный аналог, и значительно менее сложен в вычислительном отношении, чем предыдущий контроллер на основе машинного обучения.

«В некоторых случаях повышение точности было весьма значительным», — сказал Кент. Хотя результат показал, что их алгоритму для работы требуется больше энергии, чем линейному контроллеру, этот компромисс означает, что при включении модель команды работает дольше и значительно более эффективна, чем существующие на рынке контроллеры на основе машинного обучения.

«Люди найдут в нем хорошее применение только в зависимости от того, насколько он эффективен», — сказал Кент. «Вы можете реализовать это практически на любой платформе, и это очень просто понять». Алгоритм недавно стал доступен ученым.

По словам Кента, помимо потенциальных достижений в области инженерии, существует также не менее важный экономический и экологический стимул для создания более энергоэффективных алгоритмов.

Поскольку общество становится все более зависимым от компьютеров и искусственного интеллекта почти во всех аспектах повседневной жизни, спрос на центры обработки данных растет, что заставляет многих экспертов беспокоиться по поводу огромного энергопотребления цифровых систем и того, что будущим отраслям придется делать, чтобы не отставать от него.

А поскольку строительство таких центров обработки данных, а также крупномасштабные вычислительные эксперименты могут привести к значительному выбросу углекислого газа, ученые ищут способы ограничить выбросы углекислого газа в результате этой технологии.

По словам Кента, для продвижения результатов будущая работа, вероятно, будет направлена ​​на обучение модели для изучения других приложений, таких как квантовая обработка информации. Тем временем он ожидает, что эти новые элементы проникнут далеко в научное сообщество.

«Недостаточно людей знают об этих типах алгоритмов в промышленности и технике, и одна из главных целей этого проекта — привлечь больше людей к изучению о них», — сказал Кент. «Эта работа — отличный первый шаг на пути к реализации этого потенциала».

Среди других соавторов штата Огайо — Вендсон А.С. Барбоза и Дэниел Дж. Готье.