I controllori lineari, comunemente utilizzati in dispositivi quotidiani come termostati e sistemi di controllo della velocità, operano seguendo regole semplici per portare un sistema a un valore desiderato. Ad esempio, un termostato può regolare la temperatura di un ambiente aumentando o diminuendo il calore in base alla differenza tra la temperatura attuale e quella desiderata. Tuttavia, la semplicità di questi algoritmi li rende inadatti al controllo di sistemi che manifestano comportamenti complessi, come quelli caotici.
Di fronte a questa limitazione, dispositivi avanzati come le auto a guida autonoma e gli aerei spesso si affidano a controllori basati sull’apprendimento automatico. Questi utilizzano reti complesse per apprendere l’algoritmo di controllo ottimale. Nonostante la loro efficacia, l’implementazione di tali algoritmi può essere estremamente impegnativa e costosa in termini di calcolo.
Robert Kent, autore principale dello studio e dottorando in fisica presso l’Università dello Stato dell’Ohio, sottolinea che i controllori basati su machine learning tradizionali richiedono notevoli quantità di energia e tempo per essere valutati, rendendo difficile lo sviluppo di controllori tradizionali per sistemi caotici, estremamente sensibili a piccole variazioni. Questi problemi sono particolarmente critici in scenari in cui millisecondi possono fare la differenza tra la vita e la morte, come nel caso dei veicoli autonomi che devono decidere di frenare per evitare un incidente.
Il team di ricerca ha costruito un gemello digitale ottimizzato per migliorare l’efficienza e le prestazioni del controllore, risultando in una riduzione del consumo di energia. Questo gemello digitale è stato addestrato utilizzando un approccio di machine learning chiamato computazione del serbatoio, ispirato al modo in cui le connessioni si attivano nel cervello umano.
L’architettura di machine learning impiegata è particolarmente efficace nell’apprendere il comportamento di sistemi che evolvono nel tempo. Questa capacità rende il nuovo modello particolarmente adatto per gestire sistemi dinamici come veicoli autonomi e monitor cardiaco, che devono adattarsi rapidamente al battito cardiaco di un paziente.
Il modello e l’addestramento sono così semplici che potrebbero permettere ai sistemi di apprendere “al volo”, offrendo un vantaggio significativo rispetto ai grandi modelli di machine learning che richiedono un elevato consumo energetico per elaborare dati e definire i parametri corretti.
Durante i test, il modello ha completato compiti di controllo complessi, mostrando una precisione superiore rispetto ai metodi di controllo lineari e una complessità computazionale notevolmente inferiore rispetto ai controllori basati su machine learning precedenti. Sebbene l’algoritmo richieda più energia rispetto a un controllore lineare per operare, questo compromesso significa che, una volta attivato, il modello dura più a lungo ed è considerevolmente più efficiente rispetto ai controllori basati su machine learning attualmente sul mercato.
