


Les avantages de l'IA pour l'énergie solaire et éolienne existent-ils ?
Les énergies solaire et éolienne sont en plein essor, mais la transition mondiale vers l’électricité renouvelable est encore trop lente pour atteindre rapidement les objectifs climatiques. Exploiter l’énergie éolienne et solaire à l’échelle mondiale est plus facile à dire qu’à faire pour de nombreuses raisons. La première est que les éoliennes et les panneaux solaires sont des systèmes complexes et délicats qui sont sujets aux pannes. Les pannes fréquentes réduisent la production d’énergie et rendent les parcs éoliens et solaires coûteux à exploiter et à entretenir.
Joyjit Chatterjee, data scientist à l'Université de Hull en Angleterre, a déclaré que la capacité d'utiliser l'intelligence artificielle pour prédire la production d'électricité et les pannes de composants pourrait rendre l'électricité renouvelable plus économique et plus fiable et accélérer son adoption généralisée. Cependant, il n’est pas utilisé dans ce domaine comme dans de nombreux autres domaines tels que le commerce électronique, l’industrie manufacturière et la santé. "L'intelligence artificielle pourrait avoir un impact réel sur le changement climatique et la durabilité", a-t-il déclaré, "mais il y a très peu de travaux liés au secteur des énergies renouvelables
Ainsi, Chatterjee et ses collègues, directrice de recherche en informatique à l'Université de Hull, Nina." Dethlefs a réuni des experts dans le domaine de l'intelligence artificielle et des énergies renouvelables lors de la récente Conférence internationale sur les représentations d'apprentissage (ICLR). Dans un article de perspective publié le 10 juin dans le Data Science Journal Patterns, les deux hommes présentent les principaux points à retenir de la conférence, soulignant les obstacles limitant l'impact de l'IA sur les énergies renouvelables et comment les technologies établies et émergentes peuvent être utilisées pour les méthodes d'intelligence artificielle afin de les surmonter. obstacles.
Les éoliennes et les panneaux solaires des fermes à grande échelle sont équipés de capteurs qui permettent aux opérateurs de surveiller à distance leur production d'électricité et leur état de santé. Ces capteurs comprennent des capteurs de vibrations, des capteurs de température, des accéléromètres et des capteurs de vitesse. Les données qu’ils génèrent offrent une opportunité. Les modèles d'IA formés sur la production d'électricité historique et les données de panne peuvent prédire les pannes inattendues des boîtes de vitesses des éoliennes ou des onduleurs de panneaux solaires, aidant ainsi les opérateurs à se préparer aux pannes et à planifier la maintenance de routine.
Chatterjee a déclaré que l'apprentissage par renforcement est une nouvelle technique d'apprentissage automatique passionnante qui peut aider à améliorer ces modèles. Dans l'apprentissage par renforcement, un algorithme interagit avec le monde pendant l'entraînement, recevant un retour continu sur les décisions de récompense ou de punition pour apprendre comment atteindre certains objectifs. Ce type d’interaction réelle pourrait provenir des humains.
« L'un des dangers de l'IA est qu'elle n'est pas parfaite », a déclaré Chatterjee. « Nous pouvons impliquer des personnes pour aider constamment à optimiser le modèle d'IA. Les gens craignent souvent que l'IA remplace la partie humaine et prenne des décisions. les humains doivent travailler avec des modèles d'IA pour les co-optimiser pour l'aide à la décision. . En raison d’un manque de transparence, les ingénieurs industriels hésitent à utiliser les quelques modèles de prévision des pannes créés par les chercheurs. Fournir aux opérateurs de brefs messages en langage naturel facilitera l’interaction.
Pour la communauté de l'IA, l'un des obstacles à la création de meilleurs modèles est la quantité limitée de données accessibles au public, compte tenu des sensibilités commerciales de l'industrie éolienne et solaire. Chatterjee a déclaré qu'outre la réticence de l'industrie à partager ouvertement les données, le manque de normes affecte également le développement de modèles d'IA. "Les exploitants de parcs éoliens dans différentes parties du monde gèrent les données différemment, il est donc très difficile pour les chercheurs de travailler ensemble sur les ressources."
Pour résoudre ce problème, la communauté de l'IA peut exploiter une méthode appelée apprentissage par transfert. En identifiant des modèles cachés dans diverses caractéristiques des données, cette approche permet aux data scientists de transférer les connaissances acquises lors de la résolution d'une tâche d'apprentissage automatique vers une autre tâche connexe, ce qui facilite la formation des réseaux neuronaux et le développement de modèles d'apprentissage profond lorsque les données sont limitées. "Cela vous aidera à développer un modèle pour la turbine Y basé sur un modèle uniquement pour la turbine X, même sans données historiques", a déclaré Chatterjee.
Pourtant, les réseaux de neurones ne sont pas toujours la réponse. Ces modèles d’apprentissage profond sont devenus populaires car ils sont traditionnellement adaptés à l’apprentissage à partir d’images et de textes. Le problème est que les réseaux de neurones échouent souvent. De plus, la formation de ces modèles informatiques complexes à grande échelle nécessite une infrastructure de calcul haute performance énergivore, ce qui est difficile à réaliser dans les pays en développement.
Au moins pour le secteur des énergies renouvelables, il peut parfois être acceptable d'être simple. La communauté de l'IA devrait d'abord se concentrer sur l'utilisation de modèles d'apprentissage automatique plus simples, tels que les arbres de décision, pour voir s'ils fonctionnent. "En général, tous les problèmes ne nécessitent pas un réseau neuronal", a déclaré Chatterjee. "Pourquoi augmenter les émissions de carbone en formant et en développant des réseaux neuronaux plus complexes en termes de calcul ? Les recherches futures doivent être menées sur des modèles moins gourmands en ressources et en carbone."
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
