Dynamische Systeme mit künstlicher Intelligenz steuern | ETH Zürich

Header

Forschende der und der Frankfurt School haben ein künstliches neuronales Netzwerk entwickelt, das anspruchsvolle Steuerungsprobleme lösen kann. Das selbstlernende System kann für die Optimierung von Lieferketten und Produktionsprozessen gleichermassen eingesetzt werden, wie für Smart Grids oder Verkehrsleitsysteme.

Strom-Blackouts, Störungen in Finanznetzwerken und Lieferketten: Viele Steuerungsprobleme komplexer Systeme sind mit bestehenden Methoden nur schwer oder gar nicht zu lösen. Der Einsatz von Steuerungssystemen, die auf künstlicher Intelligenz (KI) basieren, kann helfen, komplexe Prozesse zu optimieren und neue Geschäftsmodelle zu entwickeln.

Gemeinsam mit Lucas Böttcher von der Frankfurt School of Finance and Management haben die Forschenden Nino Antulov-Fantulin und Thomas Asikis - beide vom Lehrstuhl für Computational Social Science - ein vielseitiges KI-basiertes Steuerungssystem mit dem Namen AI Pontryagin entwickelt, das Schwankungen in komplexen Systemen und Netzwerken stabilisieren soll. Mit einer Kombination aus numerischen und analytischen Methoden zeigen die Forscher, dass AI Pontryagin automatisch lernt, Systeme auf nahezu optimale Weise zu steuern, ohne dass der KI die optimale Lösung vorher bekannt ist.

Selbstlernende Steuerung

Schwankungen in komplexen Systemen haben das Potenzial, Kaskaden und Blackouts auszulösen. Um solche Ereignisse zu vermeiden und die Robustheit der Systeme zu verbessern, gibt es verschiedene Kontrollmechanismen und Vorschriften wie zum Beispiel die Regelung der Spannung in Stromnetzen und Stresstests bei Finanzinstituten. Allerdings sind manuelle Eingriffe möglicherweise nicht immer in der Lage, komplexe dynamische Systeme effizient zu steuern.

In ihrer Arbeit zeigen die Forscher, dass AI Pontryagin automatisch nahezu optimale Steuerungssignale für komplexe Dynamiken erlernt. Obgleich die Anwendbarkeit auf konkrete Fälle noch weiterer Forschung bedarf, legen sie damit einen wichtigen Grundstein. Heute werden Kontrollmethoden etwa zum Schutz von Stromnetzen vor Schwankungen und Ausfällen, zur Bewältigung von Epidemien und zur Optimierung der Versorgungskette eingesetzt.

Beispiel Lieferketten

Zur Anwendung von AI Pontryagin benötigt es Informationen über die Dynamik des Systems. In Lieferketten sind dies etwa Informationen über die Anzahl möglicher Lieferanten, die Bestellkosten und die Durchlaufzeiten. Diese Informationen werden genutzt, um die Dynamik abzuleiten, die optimiert werden soll.

Ausserdem müssen Nutzer Informationen über den Anfangszustand, beispielsweise den aktuellen Lagerbestand, als auch einen gewünschten Zielzustand, zum Beispiel die Auffüllung des Lagerbestands, bestimmen.

Der Text basiert auf einer externe Seite.

Literaturhinweis

Böttcher L, Antulov-Fantulin N, Asikis T, AI Pontryagin or how artificial neural networks learn to control dynamical systems, DOI: externe Seite 10.1038/s41467’021 -27590-0


This site uses cookies and analysis tools to improve the usability of the site. More information. |