自动控制的新方法利用了AI的进步

现实世界的自动控制系统的设计需要进行各种工作，从调节摩天大楼的温度到在街上的小部件工厂中运行小部件制造机器，都需要基于物理的复杂建模方面的专业知识。据数据科学家称，对这种建模专业知识的需求增加了运营成本，并限制了自动控制在系统中的适用性，在这些系统中，边际运行性能的提高会带来巨大的经济利益。

工程师可以不受限制地访问超级计算机和大量数据，可以训练人工智能系统(例如深度神经网络)(一种机器学习模型)来执行自动控制。但是，许多人无法获得必要的计算能力，也无法生成训练具有深层神经网络的控制器所需的数据量。

而且，这些类型的深度神经网络是所谓的黑盒模型，这意味着它们用于决策的因素对最终用户是隐藏的。

除缺乏可解释性外，标准深层神经网络的行为难以认证，这妨碍了它们在必须保证控制器的安全性和性能的应用中的使用，”美国西北太平洋地区数据科学家Aaron Tuor解释说。华盛顿里奇兰的实验室(PNNL)。

“我们正在尝试将基于深度学习的建模引入更加有效的数据机制，以使其能够在实际应用中使用，这可能需要可解释性和黑盒深度学习建模无法保证的操作保证要约。”他说。

安全高效的自动化控制

Tuor和他的同事正在开发一种设计自动控制器的方法，该方法利用深度学习和控制理论中的先进技术来嵌入要控制系统的已知和未知物理。

这种混合方法有望将安全有效的深度学习自动化控制技术引入更广泛的工业和工程系统，例如建筑能源系统优化，固相处理以及无人驾驶飞机和水下车辆。

将系统的已知物理特性嵌入控制器，使其适用于对性能保证至关重要的应用。Tuor补充说，该方法克服了对用于控制关键系统的黑盒机器学习模型的可靠性的担忧。

他说：“如果您处在一个不能让深度学习做出任何决定的操作环境中，则可以对要做出的决定和受控系统的预期结果施加一定的限制，”他说。