Memprediksi Kekacauan Dengan AI: Perbatasan Baru dalam Pengendalian Otonom
Algoritme pembelajaran mesin yang canggih telah menunjukkan potensi dalam mengendalikan sistem yang kompleks secara efisien, menjanjikan peningkatan yang signifikan dalam teknologi otonom dan infrastruktur digital.
Penelitian terbaru menyoroti perkembangan yang maju pembelajaran mesin algoritma yang mampu mengendalikan sistem yang kompleks secara efisien. Algoritme baru ini, yang diuji pada kembaran digital dari sirkuit elektronik yang kacau, tidak hanya memprediksi dan mengendalikan sistem ini secara efektif namun juga menawarkan peningkatan yang signifikan dalam konsumsi daya dan kebutuhan komputasi.
Menurut sebuah studi penelitian baru, sistem yang dikendalikan oleh algoritma komputasi generasi berikutnya dapat menghasilkan produk pembelajaran mesin yang lebih baik dan efisien.
Para peneliti menggunakan teknik pembelajaran mesin untuk membuat kembaran digital—replika digital—dari sirkuit elektronik yang dikenal karena perilakunya yang kacau. Mereka menemukan bahwa mereka berhasil memprediksi bagaimana perilakunya dan menggunakan informasi tersebut untuk mengendalikannya.
Keterbatasan Pengendali Linier
Banyak perangkat sehari-hari, seperti termostat dan kendali jelajah, menggunakan pengontrol linier – yang menggunakan aturan sederhana untuk mengarahkan sistem ke nilai yang diinginkan. Termostat, misalnya, menerapkan aturan tersebut untuk menentukan seberapa banyak panas atau dingin suatu ruangan berdasarkan perbedaan antara suhu saat ini dan suhu yang diinginkan.
Namun karena algoritma ini sangat sederhana, mereka kesulitan mengendalikan sistem yang menampilkan perilaku kompleks, seperti kekacauan.
Akibatnya, perangkat canggih seperti mobil dan pesawat tanpa pengemudi sering kali mengandalkan pengontrol berbasis pembelajaran mesin, yang menggunakan jaringan rumit untuk mempelajari algoritme kontrol optimum yang diperlukan agar dapat beroperasi dengan baik. Namun, algoritma ini mempunyai kelemahan yang signifikan, yang paling menuntut adalah bahwa algoritma ini sangat menantang dan mahal secara komputasi untuk diterapkan.
Dampak Digital Twins yang Efisien
Kini, memiliki akses terhadap kembaran digital yang efisien kemungkinan besar akan berdampak besar pada cara para ilmuwan mengembangkan teknologi otonom di masa depan, kata Robert Kent, penulis utama studi tersebut dan mahasiswa pascasarjana bidang fisika di The Ohio State College.
“Masalah pada sebagian besar pengontrol berbasis pembelajaran mesin adalah mereka menggunakan banyak energi atau daya dan membutuhkan waktu lama untuk melakukan evaluasi,” kata Kent. “Mengembangkan pengendali tradisional bagi mereka juga sulit karena sistem yang kacau sangat sensitif terhadap perubahan kecil.”
Masalah-masalah ini, katanya, sangat penting dalam situasi di mana milidetik dapat menentukan hidup dan mati, seperti ketika kendaraan tanpa pengemudi harus mengerem untuk mencegah kecelakaan.
Studi ini dipublikasikan baru-baru ini di Komunikasi Alam.
Kemajuan dalam Arsitektur Pembelajaran Mesin
Cukup ringkas untuk dipasang pada chip komputer murah yang mampu menyeimbangkan di ujung jari Anda dan dapat berjalan tanpa koneksi web, kembaran digital tim ini dibuat untuk mengoptimalkan efisiensi dan kinerja pengontrol, yang menurut para peneliti menghasilkan pengurangan konsumsi daya. Hal ini dicapai dengan cukup mudah, terutama karena dilatih menggunakan jenis pendekatan pembelajaran mesin yang disebut komputasi reservoir.
“Hal hebat tentang arsitektur pembelajaran mesin yang kami gunakan adalah arsitektur ini sangat baik dalam mempelajari perilaku sistem yang berkembang seiring berjalannya waktu,” kata Kent. “Ini terinspirasi oleh bagaimana koneksi muncul di otak manusia.”
Penerapan Praktis dan Arah Masa Depan
Meskipun chip komputer berukuran serupa telah digunakan pada perangkat seperti lemari es pintar, menurut penelitian, kemampuan komputasi baru ini membuat mannequin baru ini dilengkapi dengan baik untuk menangani sistem dinamis seperti kendaraan tanpa pengemudi serta monitor jantung, yang harus dikontrol dengan baik. mampu cepat beradaptasi dengan detak jantung pasien.
“Mannequin pembelajaran mesin yang besar harus menghabiskan banyak daya untuk mengolah information dan menghasilkan parameter yang tepat, sedangkan mannequin dan pelatihan kami sangat sederhana sehingga Anda dapat melakukan pembelajaran sistem dengan cepat,” katanya.
Untuk menguji teori ini, peneliti mengarahkan mannequin mereka untuk menyelesaikan tugas pengendalian yang kompleks dan membandingkan hasilnya dengan teknik pengendalian sebelumnya. Studi tersebut mengungkapkan bahwa pendekatan mereka mencapai hasil yang lebih tinggi ketepatan pada tugas-tugas dibandingkan rekan liniernya dan secara signifikan kurang rumit secara komputasi dibandingkan pengontrol berbasis pembelajaran mesin sebelumnya.
“Peningkatan akurasi dalam beberapa kasus cukup signifikan,” kata Kent. Meskipun hasilnya menunjukkan bahwa algoritme mereka memang memerlukan lebih banyak energi daripada pengontrol linier untuk beroperasi, hal ini berarti bahwa ketika diaktifkan, mannequin tim akan bertahan lebih lama dan jauh lebih efisien dibandingkan pengontrol berbasis pembelajaran mesin yang ada di pasaran saat ini.
“Orang-orang akan merasakan manfaatnya hanya berdasarkan seberapa efisiennya,” kata Kent. “Anda dapat menerapkannya di hampir semua platform dan sangat mudah untuk dipahami.” Algoritme tersebut baru-baru ini tersedia bagi para ilmuwan.
Pertimbangan Ekonomi dan Lingkungan
Selain menginspirasi potensi kemajuan di bidang teknik, ada juga insentif ekonomi dan lingkungan yang sama pentingnya untuk menciptakan algoritma yang lebih ramah energi, kata Kent.
Ketika masyarakat semakin bergantung pada komputer dan AI untuk hampir semua aspek kehidupan sehari-hari, permintaan akan pusat information pun melonjak, sehingga banyak pakar khawatir akan kebutuhan daya yang sangat besar pada sistem digital dan apa yang perlu dilakukan industri di masa depan untuk mengimbanginya.
Dan karena pembangunan pusat information serta eksperimen komputasi skala besar dapat menghasilkan jejak karbon yang besar, para ilmuwan mencari cara untuk mengurangi emisi karbon dari teknologi ini.
Untuk meningkatkan hasil mereka, pekerjaan di masa depan kemungkinan akan diarahkan pada pelatihan mannequin untuk mengeksplorasi aplikasi lain seperti pemrosesan informasi kuantum, kata Kent. Sementara itu, ia berharap unsur-unsur baru ini akan menjangkau jauh ke dalam komunitas ilmiah.
“Tidak banyak orang yang mengetahui jenis algoritma ini di industri dan teknik, dan salah satu tujuan besar dari proyek ini adalah membuat lebih banyak orang mempelajarinya,” kata Kent. “Pekerjaan ini adalah langkah awal yang bagus untuk mencapai potensi tersebut.”
Referensi: “Mengontrol kekacauan menggunakan perangkat keras komputasi tepi” oleh Robert M. Kent, Wendson AS Barbosa dan Daniel J. Gauthier, 8 Mei 2024, Komunikasi Alam.
DOI: 10.1038/s41467-024-48133-3
Penelitian ini didukung oleh Kantor Penelitian Ilmiah Angkatan Udara AS. Rekan penulis Ohio State lainnya termasuk Wendson AS Barbosa dan Daniel J. Gauthier.
