在宾夕法尼亚大学嵌入式计算和集成系统工程研究 (PRECISE) 中心熙熙攘攘的走廊里，突破性的研究正在展开。

这项工作由电气与系统工程 (ESE) 博士生 Nandan Tumu 领导，并得到计算机与信息科学 (CIS) 和 ESE 系教授、PRECISE 中心创始成员 Rahul Mangharam 的指导，有望改变城市交通管理、对可持续城市生活的影响减缓气候变化。

植根于好奇心和创新的旅程

Tumu 的学术之旅始于康涅狄格大学，主修计算机科学，辅修哲学。这种独特的结合为他的研究奠定了坚实的基础，将技术专长与对不确定性和知识的深入细致的理解融为一体。

他对量化不确定性和用物理学为机器学习提供信息的迷恋源于早期使用强化学习开发机器人控制算法的努力。

当今机器学习方法的一个主要障碍是样本复杂性，即学习算法需要多少数据才能达到适当的性能水平的问题。数据越多，需要的能源就越多，对环境的影响就越大。

为了解决这个问题，Tumu 探索了更有效的方法，并发现基于物理的约束学习可以显着减少大量采样的需要

通过将该方法与保形预测（一种无分布不确定性量化方法）相结合，Tumu 找到了一种控制方法复杂系统高效可靠。

这种物理知识和约束学习与保形预测的创新配对已成为他研究的驱动力，有望释放更大的多智能体系统的潜力，例如无人机或无人驾驶汽车车队，或电网和风能等基础设施农场。

通过可微分预测控制改变城市交通

优化交通系统一直是 Tumu 研究的一个激励应用。2023 年，他作为暑期实习生加入太平洋西北国家实验室 (PNNL) 的一个团队，开发用于交通系统控制的机器学习方法。

在他们的论文中，“大规模城市道路网的可微预测控制，”发表在arXiv预印本服务器、Tumu 和他的合作者解决了我们这个时代最紧迫的问题之一：交通拥堵及其对二氧化碳的贡献₂排放。由于交通运输是全球排放的主要驱动因素，因此优化交通网络对于减少能源消耗和减缓气候变化至关重要。

Tumu 的新颖方法利用可微分预测控制 (DPC)（一种由 PNNL 开发的物理信息机器学习方法）来推进交通管理。大多数现有的交通控制系统依赖于某种模型预测控制（MPC），它通常将道路网络分解为区域，然后预测和优化每个区域的交通流量。

与 MPC 相比，MPC 的扩展性较差并且需要大量时间来解决交通流量Tumu 发现 DPC 可以准确、快速地解决这些问题，为流量管理提供更稳健的解决方案。

事实上，与现有最先进的模型预测控制（MPC）方法的实证比较证明了 Tumu 方法的优越性。

正如论文中所报道的，DPC 使计算时间减少了四个数量级，并将流量性能提高了 37%。此外，控制器对场景变化的鲁棒性确保了对不断变化的交通模式的适应性。这项工作不仅提出了更有效的交通控制方法，而且旨在减少排放并缓解大规模城市网络的拥堵。

现实世界的影响和未来的方向

作为 AutonomIA 项目的一部分，图穆研究的实际影响将通过 PNNL 与佛罗里达州科勒尔盖布尔斯市的合作进行评估。目标是在现实环境中实施这些先进的交通控制算法（管理交通信号灯和信号的策略），以显着减少出行时间和能源消耗。

迄今为止的结果令人鼓舞：该项目预计将大幅减少车辆延误，从而有助于降低总体能源消耗和二氧化碳排放₂排放。

“这种优化现有交通控制基础设施的创新方法是应对气候变化的关键一步，”研究数据科学家、Tumu 在 PNNL 的导师之一 Ján DrgoÅa 说道。

图穆的研究范围超出了城市交通。他与 PNNL 合作，应用和推进 DPC 方法，以提高现有风电场的效率。Tumu 表示：“这一扩展符合我的总体研究愿景，即为网络信息物理系统开发控制算法，以提高效率和性能。”

“通过结合基于物理的信息和不确定性量化，我的目标是创建利用现实世界数据的改进控制算法。”

可持续未来的愿景

“南丹·图穆的研究体现了数学上严格且可扩展的方法来应对严峻的气候和复杂的社会挑战，”曼格哈拉姆说。

“通过将基于物理的机器学习与先进的控制方法相结合，他正在开创性的解决方案，有望使我们的城市环境更加高效，使我们的能源系统更加可持续。”

“他的工作证明了跨学科研究的力量及其推动世界发生有意义变化的潜力，”精确中心主任、CIS 教授塞西莉亚·菲特勒·摩尔 (Cecilia Fitler Moore) 教授 Insup Lee 补充道。

“随着南丹不断突破可能的界限，他的贡献将对学术界和社会产生持久的影响。”