Les modèles de jumeaux numériques promettent des progrès en informatique

Les systèmes contrôlés par des algorithmes informatiques de nouvelle génération pourraient donner naissance à des produits d’apprentissage automatique meilleurs et plus efficaces, suggère une nouvelle étude.

En utilisant des outils d’apprentissage automatique pour créer un jumeau numérique (une copie virtuelle) d’un circuit électronique présentant un comportement chaotique, les chercheurs ont découvert qu’ils avaient réussi à prédire son comportement et à utiliser ces informations pour le contrôler.

De nombreux appareils du quotidien, comme les thermostats et les régulateurs de vitesse, utilisent des contrôleurs linéaires, qui utilisent des règles simples pour diriger un système vers une valeur souhaitée. Les thermostats, par exemple, utilisent de telles règles pour déterminer la quantité de chauffage ou de refroidissement d'un espace en fonction de la différence entre la température actuelle et la température souhaitée.

Pourtant, en raison de la simplicité de ces algorithmes, ils ont du mal à contrôler des systèmes qui affichent un comportement complexe, comme le chaos.

En conséquence, les appareils avancés tels que les voitures et les avions autonomes s’appuient souvent sur des contrôleurs basés sur l’apprentissage automatique, qui utilisent des réseaux complexes pour apprendre l’algorithme de contrôle optimal nécessaire pour fonctionner efficacement. Cependant, ces algorithmes présentent des inconvénients importants, le plus exigeant étant qu’ils peuvent être extrêmement difficiles à mettre en œuvre et coûteux en termes de calcul.

Désormais, avoir accès à un jumeau numérique efficace aura probablement un impact considérable sur la manière dont les scientifiques développeront les futures technologies autonomes, a déclaré Robert Kent, auteur principal de l'étude et étudiant diplômé en physique à l'Ohio State University.

L'ouvrage est publié dans la revue Communications naturelles.

« Le problème avec la plupart des contrôleurs basés sur l'apprentissage automatique est qu'ils consomment beaucoup d'énergie ou d'énergie et que leur évaluation prend beaucoup de temps », a déclaré Kent. « Développer des contrôleurs traditionnels pour ces systèmes a également été difficile car les systèmes chaotiques sont extrêmement sensibles aux petits changements. »

Ces problèmes, a-t-il déclaré, sont critiques dans des situations où quelques millisecondes peuvent faire la différence entre la vie et la mort, par exemple lorsque des véhicules autonomes doivent décider de freiner pour éviter un accident.

Suffisamment compact pour tenir sur une puce informatique peu coûteuse capable de s'équilibrer au bout de votre doigt et de fonctionner sans connexion Internet, le jumeau numérique de l'équipe a été conçu pour optimiser l'efficacité et les performances d'un contrôleur, ce qui, selon les chercheurs, a entraîné une réduction de la consommation d'énergie. Il y parvient assez facilement, principalement parce qu’il a été formé à l’aide d’un type d’approche d’apprentissage automatique appelé calcul de réservoir.

« L'avantage de l'architecture d'apprentissage automatique que nous avons utilisée est qu'elle est très efficace pour apprendre le comportement des systèmes qui évoluent dans le temps », a déclaré Kent. « Cela s'inspire de la façon dont les connexions se déclenchent dans le cerveau humain. »

Bien que des puces informatiques de taille similaire aient été utilisées dans des appareils tels que les réfrigérateurs intelligents, selon l'étude, cette nouvelle capacité informatique rend le nouveau modèle particulièrement bien équipé pour gérer des systèmes dynamiques tels que des véhicules autonomes ainsi que des moniteurs cardiaques, qui doivent être capable de s'adapter rapidement au rythme cardiaque d'un patient.

« Les grands modèles d'apprentissage automatique doivent consommer beaucoup d'énergie pour traiter les données et produire les bons paramètres, alors que notre modèle et notre formation sont si extrêmement simples que vous pourriez avoir des systèmes d'apprentissage à la volée », a-t-il déclaré.

Pour tester cette théorie, les chercheurs ont orienté leur modèle vers l'exécution de tâches de contrôle complexes et ont comparé ses résultats à ceux des techniques de contrôle précédentes. L'étude a révélé que leur approche permettait d'obtenir une plus grande précision dans les tâches que son homologue linéaire et qu'elle était nettement moins complexe en termes de calcul qu'un précédent contrôleur basé sur l'apprentissage automatique.

« L'augmentation de la précision a été assez significative dans certains cas », a déclaré Kent. Bien que les résultats aient montré que leur algorithme nécessite plus d'énergie qu'un contrôleur linéaire pour fonctionner, ce compromis signifie que lorsqu'il est sous tension, le modèle de l'équipe dure plus longtemps et est considérablement plus efficace que les contrôleurs actuels basés sur l'apprentissage automatique sur le marché.

« Les gens en trouveront un bon usage simplement en fonction de son efficacité », a déclaré Kent. « Vous pouvez l'implémenter sur pratiquement n'importe quelle plateforme et c'est très simple à comprendre. » L'algorithme a été récemment mis à la disposition des scientifiques.

En plus d'inspirer des avancées potentielles en ingénierie, il existe également une incitation économique et environnementale tout aussi importante à la création d'algorithmes plus économes en énergie, a déclaré Kent.

Alors que la société devient de plus en plus dépendante des ordinateurs et de l'IA pour presque tous les aspects de la vie quotidienne, la demande en centres de données monte en flèche, ce qui amène de nombreux experts à s'inquiéter de l'énorme appétit énergétique des systèmes numériques et de ce que les industries futures devront faire pour suivre le rythme.

Et parce que la construction de ces centres de données ainsi que les expériences informatiques à grande échelle peuvent générer une empreinte carbone importante, les scientifiques recherchent des moyens de réduire les émissions de carbone liées à cette technologie.

Pour faire progresser leurs résultats, les travaux futurs seront probablement orientés vers la formation du modèle pour explorer d'autres applications telles que le traitement de l'information quantique, a déclaré Kent. En attendant, il espère que ces nouveaux éléments parviendront largement au sein de la communauté scientifique.

« Pas suffisamment de gens connaissent ces types d'algorithmes dans l'industrie et l'ingénierie, et l'un des grands objectifs de ce projet est d'amener davantage de gens à les connaître », a déclaré Kent. « Ce travail constitue un premier pas important vers l'atteinte de ce potentiel. »

Parmi les autres co-auteurs de l'Ohio State figurent Wendson AS Barbosa et Daniel J. Gauthier.