在賓州大學嵌入式運算與整合系統工程研究 (PRECISE) 中心熙熙攘攘的走廊裡，突破性的研究正在展開。

這項工作由電氣與系統工程 (ESE) 博士生 Nandan Tumu 領導，並得到電腦與資訊科學 (CIS) 和 ESE 系教授、PRECISE 中心創始成員 Rahul Mangharam 的指導，有望改變城市交通管理、對永續城市生活的影響減緩氣候變遷。

植根於好奇心和創新的旅程

Tumu 的學術之旅始於康乃狄克大學，主修電腦科學，輔修哲學。這種獨特的結合為他的研究奠定了堅實的基礎，將技術專長與對不確定性和知識的深入細緻的理解融為一體。

他對量化不確定性和用物理學為機器學習提供資訊的迷戀源於早期使用強化學習開發機器人控制演算法的努力。

當今機器學習方法的一個主要障礙是樣本複雜性，即學習演算法需要多少數據才能達到適當的性能水平的問題。數據越多，需要的能源就越多，對環境的影響就越大。

為了解決這個問題，Tumu 探索了更有效的方法，並發現基於物理的約束學習可以顯著減少大量採樣的需要

透過將此方法與保形預測（一種無分佈不確定性量化方法）相結合，Tumu 找到了一種控制方法複雜系統高效可靠。

這種物理知識和約束學習與保形預測的創新配對已成為他研究的驅動力，有望釋放更大的多智能體系統的潛力，例如無人機或無人駕駛汽車車隊，或電網和風能等基礎設施農場。

透過可微分預測控制改變城市交通

最佳化交通系統一直是 Tumu 研究的一個激勵應用。2023 年，他作為暑期實習生加入太平洋西北國家實驗室 (PNNL) 的一個團隊，開發用於交通系統控制的機器學習方法。

在他們的論文中，“大規模城市道路網的可微預測控制，」發表在arXiv預印本伺服器、Tumu 和他的合作者解決了我們這個時代最緊迫的問題之一：交通擁堵及其對二氧化碳的貢獻₂排放。由於交通運輸是全球排放的主要驅動因素，因此優化交通網路對於減少能源消耗和減緩氣候變遷至關重要。

Tumu 的新穎方法利用可微分預測控制 (DPC)（一種由 PNNL 開發的實體資訊機器學習方法）來推進交通管理。大多數現有的交通控制系統依賴某種模型預測控制（MPC），它通常將道路網路分解為區域，然後預測和優化每個區域的交通流量。

與 MPC 相比，MPC 的擴展性較差且需要大量時間來解決交通流量Tumu 發現 DPC 可以準確、快速地解決這些問題，為流量管理提供更穩健的解決方案。

事實上，與現有最先進的模型預測控制（MPC）方法的實證比較證明了 Tumu 方法的優越性。

如論文中所報導的，DPC 使計算時間減少了四個數量級，並將流量效能提高了 37%。此外，控制器對場景變化的穩健性確保了對不斷變化的交通模式的適應性。這項工作不僅提出了更有效的交通控制方法，而且旨在減少排放並緩解大規模城市網路的擁塞。

現實世界的影響與未來的方向

作為 AutonomIA 計畫的一部分，圖穆研究的實際影響將透過 PNNL 與佛羅裡達州科勒爾蓋布爾斯市的合作進行評估。目標是在現實環境中實施這些先進的交通控制演算法（管理交通號誌和號誌的策略），以顯著減少旅行時間和能源消耗。

迄今為止的結果令人鼓舞：該項目預計將大幅減少車輛延誤，有助於降低整體能源消耗和二氧化碳排放₂排放。

「這種優化現有交通控制基礎設施的創新方法是應對氣候變遷的關鍵一步，」研究資料科學家、Tumu 在 PNNL 的導師之一 Ján DrgoÅa 說道。

圖穆的研究範圍超出了城市交通。他與 PNNL 合作，應用和推進 DPC 方法，以提高現有風電場的效率。Tumu 表示：“這一擴展符合我的整體研究願景，即為網路資訊物理系統開發控制演算法，以提高效率和性能。”

“通過結合基於物理的信息和不確定性量化，我的目標是創建利用現實世界數據的改進控制演算法。”

永續未來的願景

「南丹·圖穆的研究體現了數學上嚴格且可擴展的方法來應對嚴峻的氣候和複雜的社會挑戰，」曼格哈拉姆說。

“通過將基於物理的機器學習與先進的控制方法相結合，他正在開創性的解決方案，有望使我們的城市環境更加高效，使我們的能源系統更加可持續。”

「他的工作證明了跨學科研究的力量及其推動世界發生有意義變化的潛力，」精確中心主任、CIS 教授 Cecilia Fitler Moore 教授 Insup Lee 補充道。

“隨著南丹不斷突破可能的界限，他的貢獻將對學術界和社會產生持久的影響。”