En los bulliciosos pasillos del Centro Penn de Investigación en Computación Embebida e Ingeniería de Sistemas Integrados (PRECISE), se están desarrollando investigaciones innovadoras.

Dirigido por Nandan Tumu, estudiante de doctorado en Ingeniería Eléctrica y Sistemas (ESE) asesorado por Rahul Mangharam, profesor de los Departamentos de Informática y Ciencias de la Información (CIS) y ESE, y miembro fundador del Centro PRECISE, este trabajo promete transformar la gestión del tráfico urbano.con implicaciones para la vida urbana sostenible ymitigación del cambio climático.

Un viaje basado en la curiosidad y la innovación

La trayectoria académica de Tumu comenzó en la Universidad de Connecticut, donde se especializó en informática y se especializó en filosofía.Esta combinación única sentó una base sólida para su investigación, combinando experiencia técnica con una comprensión profunda y matizada de la incertidumbre y el conocimiento.

Su fascinación por cuantificar la incertidumbre e informar el aprendizaje automático con la física surgió de sus primeros esfuerzos en el desarrollo de algoritmos de control robótico utilizando el aprendizaje por refuerzo.

Un obstáculo importante en el enfoque actual del aprendizaje automático es la complejidad de las muestras, que es la cuestión de cuántos datos se necesitan para que los algoritmos de aprendizaje alcancen el nivel adecuado de rendimiento.Cuantos más datos, más energía se necesitará y mayor será el impacto en el medio ambiente.

Para abordar esto, Tumu exploró métodos más eficientes y descubrió que el aprendizaje restringido e informado por la física podría reducir significativamente la necesidad de un muestreo extenso.

Al integrar este enfoque con la predicción conforme, un método para la cuantificación de la incertidumbre sin distribución, Tumu encontró una manera de controlarsistemas complejosde manera eficiente y confiable.

Esta combinación innovadora de aprendizaje restringido e informado por la física y predicción conforme se ha convertido en la fuerza impulsora de su investigación, que promete desbloquear el potencial de sistemas multiagente más grandes, como flotas de drones o automóviles sin conductor, o infraestructuras como redes eléctricas y eólicas.granjas.

Transformar el tráfico urbano con control predictivo diferenciable

Optimizaciónsistemas de transporteha sido una aplicación motivadora para la investigación de Tumu.En 2023, se unió a un equipo de Pacific Northwest National Labs (PNNL) como pasante de verano para desarrollar métodos de aprendizaje automático para el control del sistema de tráfico.

En su periódico, "Control predictivo diferenciable para redes viales urbanas a gran escala", publicado en elarXivservidor de preimpresión, Tumu y sus colaboradores abordan uno de los problemas más urgentes de nuestro tiempo:congestión del tráficoy su contribución al CO₂emisiones.Dado que el transporte es un importante impulsor de las emisiones globales, optimizar las redes de tráfico es esencial para reducir el consumo de energía y mitigar el cambio climático.

El novedoso enfoque de Tumu aprovecha el control predictivo diferenciable (DPC), una metodología de aprendizaje automático basada en la física desarrollada en PNNL, para avanzar en la gestión del tráfico.La mayoría de los sistemas de control de tráfico existentes se basan en algún tipo de Control Predictivo Modelo (MPC), que normalmente divide las redes de carreteras en regiones y luego predice y optimiza el flujo de tráfico en cada región.

A diferencia de MPC, que puede escalar mal y requiere mucho tiempo para resolverseflujo de tráficoproblemas, Tumu descubrió que DPC puede resolver esos problemas de manera precisa y rápida, ofreciendo una solución más sólida para la gestión del tráfico.

De hecho, las comparaciones empíricas con los métodos de control predictivo de modelos (MPC) de última generación demuestran la superioridad del enfoque de Tumu.

Como se informa en el documento, DPC produce una reducción de cuatro órdenes de magnitud en el tiempo de cálculo y una mejora de hasta el 37 % en el rendimiento del tráfico.Además, la solidez del controlador ante los cambios de escenario garantiza la adaptabilidad a los patrones de tráfico cambiantes.Este trabajo no sólo propone métodos de control del tráfico más eficientes, sino que también pretende reducir las emisiones y aliviar la congestión en las redes urbanas de gran escala.

Impacto en el mundo real y direcciones futuras

Las implicaciones prácticas de la investigación de Tumu se evaluarán mediante la colaboración de PNNL con la ciudad de Coral Gables, Florida, como parte del proyecto AutonomIA.El objetivo es implementar estos algoritmos avanzados de control de tráfico (estrategias para gestionar semáforos y señales) en un entorno del mundo real, con el fin de reducir significativamente el tiempo de viaje y el consumo de energía.

Los resultados hasta el momento son prometedores: el proyecto estima una reducción sustancial de los retrasos de los vehículos, lo que contribuirá a un menor consumo global de energía y a una disminución de las emisiones de CO.₂emisiones.

"Este enfoque innovador para optimizar la infraestructura de control de tráfico existente es un paso crucial en la lucha contra el cambio climático", dice Ján DrgoÅa, investigador científico de datos y uno de los mentores de Tumu en PNNL.

La investigación de Tumu se extiende más allá del tráfico urbano.En colaboración con PNNL, está aplicando y promoviendo metodologías DPC para mejorar la eficiencia de los parques eólicos existentes."Esta extensión se alinea con mi visión de investigación general de desarrollar algoritmos de control para sistemas ciberfísicos en red para mejorar la eficiencia y el rendimiento", dice Tumu.

"Al incorporar información basada en la física y cuantificación de la incertidumbre, mi objetivo es crear algoritmos de control mejorados que aprovechen los datos del mundo real".

Una visión para un futuro sostenible

"La investigación de Nandan Tumu incorpora enfoques matemáticamente rigurosos y escalables para abordar el clima crítico y los desafíos sociales complejos", dice Mangharam.

"Al integrar el aprendizaje automático basado en la física con metodologías de control avanzadas, es pionero en soluciones que prometen hacer que nuestros entornos urbanos sean más eficientes y nuestros sistemas energéticos más sostenibles".

"Su trabajo da testimonio del poder de la investigación interdisciplinaria y su potencial para impulsar un cambio significativo en nuestro mundo", añade el director del Centro PRECISE, Insup Lee, profesora Cecilia Fitler Moore en el CIS.

"A medida que Nandan continúa superando los límites de lo que es posible, sus contribuciones dejarán un impacto duradero tanto en el mundo académico como en la sociedad".