Piloter des systèmes dynamiques avec l'intelligence artificielle
Des chercheurs de l'ETH Zurich et de la Frankfurt School ont développé un réseau neuronal artificiel capable de résoudre des problèmes de contr?le exigeants. Ce système auto-apprenant peut être utilisé aussi bien pour l'optimisation des cha?nes d'approvisionnement et des processus de production que pour les réseaux intelligents ou les systèmes de gestion du trafic.
![Illustration sur l'intelligence artificielle](/de/news-und-veranstaltungen/eth-news/news/2022/01/dynamische-systeme-mit-kuenstlicher-intelligenz-steuern/_jcr_content/news_content/fullwidthimage/image.imageformat.930.63063003.jpg)
Pannes de courant, perturbations dans les réseaux financiers et les cha?nes d'approvisionnement : de nombreux problèmes de pilotage de systèmes complexes sont difficiles, voire impossibles à résoudre avec les méthodes existantes. L'utilisation de systèmes de contr?le basés sur l'intelligence artificielle (IA) peut aider à optimiser des processus complexes et à développer de nouveaux modèles commerciaux.
En collaboration avec le professeur Lucas B?ttcher de la Frankfurt School of Finance and Management, les chercheurs de l'ETH Nino Antulov-Fantulin et Thomas Asikis - tous deux du Chaire de sciences sociales computationnelles - a développé un système de contr?le polyvalent basé sur l'IA, appelé AI Pontryagin, qui vise à stabiliser les fluctuations dans des systèmes et des réseaux complexes. En combinant des méthodes numériques et analytiques, les chercheurs montrent que AI Pontryagin apprend automatiquement à piloter des systèmes de manière presque optimale, sans que l'IA ne connaisse au préalable la solution optimale.
Commande autodidacte
Les fluctuations dans les systèmes complexes ont le potentiel de déclencher des cascades et des black-out. Afin d'éviter de tels événements et d'améliorer la robustesse des systèmes, il existe différents mécanismes de contr?le et réglementations, comme la régulation de la tension dans les réseaux électriques et les tests de résistance dans les institutions financières. Toutefois, les interventions manuelles peuvent ne pas toujours être en mesure de contr?ler efficacement des systèmes dynamiques complexes.
Dans leur travail, les chercheurs montrent que l'IA Pontryagin apprend automatiquement des signaux de commande presque optimaux pour des dynamiques complexes. Bien que l'applicabilité à des cas concrets nécessite encore des recherches supplémentaires, ils posent ainsi une pierre angulaire importante. Aujourd'hui, les méthodes de contr?le sont utilisées pour protéger les réseaux électriques des fluctuations et des pannes, pour gérer les épidémies et pour optimiser la cha?ne d'approvisionnement.
Exemple de cha?nes d'approvisionnement
Pour appliquer l'IA Pontryagin, il faut des informations sur la dynamique du système. Dans les cha?nes d'approvisionnement, il s'agit par exemple d'informations sur le nombre de fournisseurs possibles, les co?ts de commande et les temps de passage. Ces informations sont utilisées pour déduire la dynamique qui doit être optimisée.
En outre, les utilisateurs ont besoin d'informations sur l'état initial, par exemple l'état actuel des stocks, ainsi que sur un état cible souhaité, par exemple le réapprovisionnement des stocks.
Ce texte est basé sur une Page externeCommuniqué de presse de la Frankfurt School of Finance and Management.
Référence bibliographique
B?ttcher L, Antulov-Fantulin N, Asikis T, AI Pontryagin or how artificial neural networks learn to control dynamical systems, DOI : Page externe10.1038/s41467-021-27590-0