自動控制的新方法利用了AI的進步

現實世界的自動控制系統的設計需要進行各種工作，從調節摩天大樓的溫度到在街上的小部件工廠中運行小部件制造機器，都需要基于物理的復雜建模方面的專業知識。據數據科學家稱，對這種建模專業知識的需求增加了運營成本，并限制了自動控制在系統中的適用性，在這些系統中，邊際運行性能的提高會帶來巨大的經濟利益。

工程師可以不受限制地訪問超級計算機和大量數據，可以訓練人工智能系統(例如深度神經網絡)(一種機器學習模型)來執行自動控制。但是，許多人無法獲得必要的計算能力，也無法生成訓練具有深層神經網絡的控制器所需的數據量。

而且，這些類型的深度神經網絡是所謂的黑盒模型，這意味著它們用于決策的因素對最終用戶是隱藏的。

除缺乏可解釋性外，標準深層神經網絡的行為難以認證，這妨礙了它們在必須保證控制器的安全性和性能的應用中的使用，”美國西北太平洋地區數據科學家Aaron Tuor解釋說。華盛頓里奇蘭的實驗室(PNNL)。

“我們正在嘗試將基于深度學習的建模引入更加有效的數據機制，以使其能夠在實際應用中使用，這可能需要可解釋性和黑盒深度學習建模無法保證的操作保證要約。”他說。

安全高效的自動化控制

Tuor和他的同事正在開發一種設計自動控制器的方法，該方法利用深度學習和控制理論中的先進技術來嵌入要控制系統的已知和未知物理。

這種混合方法有望將安全有效的深度學習自動化控制技術引入更廣泛的工業和工程系統，例如建筑能源系統優化，固相處理以及無人駕駛飛機和水下車輛。

將系統的已知物理特性嵌入控制器，使其適用于對性能保證至關重要的應用。Tuor補充說，該方法克服了對用于控制關鍵系統的黑盒機器學習模型的可靠性的擔憂。

他說：“如果您處在一個不能讓深度學習做出任何決定的操作環境中，則可以對要做出的決定和受控系統的預期結果施加一定的限制，”他說。