Reinforcement Learning am digitalen Zwilling
Im vorliegenden Vortrag wird gezeigt, wie es durch das Training neuronaler Netze möglich wird, via "Supervised Learning" digitale Zwillinge zu erzeugen, die anschließend als Simulationsumgebung für das "Reinforcement Learning" zur Verfügung stehen.Reale Umgebungen wie Prüfstände, Maschinen, Fahrzeuge, et cetera, sind nur bedingt geeignet um autonom lernende Agenten zu trainieren. Sie sind oft ineffizient, langsam und teuer. Gelingt es jedoch schnell und unkompliziert, ein digitales Abbild der realen Umgebung nutzbar zu machen, so können mehrere Agenten parallel und reproduzierbar an diesem digitalen Zwilling lernen die reale Umgebung zu steuern/verstehen.
Im vorliegenden Beispiel wird gezeigt, wie am Prüfstand gemessene Werte dazu verwendet werden, ein digitales Abbild eines Abgasturboladers (ATL) zu generieren, an dem anschließend Algorithmen des "Reinforcement Learning" genutzt werden, um autonom steuernde Agenten zu trainieren. Sie lernen an der digitalen Umgebung, wie das reale Objekt (ATL) in der realen Umgebung zu steuern ist - und das selbstständig, nur anhand einer Belohnungsfunktion (reward).
Vorkenntnisse
Grundlegende Kenntnisse zu neuronalen Netzen
Lernziele
Verständnis über die breiten Möglichkeiten des maschinellen Lernens: Nicht nur für Bilder, Text oder Sprache, auch für Regelungs- und Simulationsaufgaben sind sie geeignet.
Speaker
Martin Schiele ist wissenschaftlicher Mitarbeiter und Doktorand der an TU Ilmenau, Fachgebiet Kraftfahrzeugtechnik. Er arbeitet an Heißgasprüfständen und hat Zugriff auf Motorenprüfstände. Mit dem Erscheinen von AlphaGo stieg in ihm das Interesse für das Thema und er fragte sich, welche maschinellen Lernaufgaben er erforschen könnte, die andere Bereiche berühren als die üblichen (Bilder, Text, Sprache). Mit der Kenntnis, wie schwierig es ist, Maschinen wie einen Verbrennungsmotor oder Kraftwerke zu steuern, überlegte er sich Methoden, um diese Probleme via Maschinellem Lernen anzugehen.