交通與能源領域突破性的高效可持續方案

在賓夕法尼亞大學嵌入式計算與集成系統工程（PRECISE）研究中心的繁忙走廊裡，開創性的研究正在展開。

這項工作由電氣與系統工程（ESE）博士生南丹·圖穆（Nandan Tumu）負責領導，他受計算機與信息科學（CIS）和 ESE 系教授、PRECISE 中心創始成員拉胡爾·曼加哈姆（Rahul Mangharam）的指導，有望改變城市交通管理，對可持續城市生活和減緩氣候變化產生影響。

圖穆的學術之旅始於康涅狄格大學，他主修計算機科學，輔修哲學。這種獨特的組合爲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刻而細緻的理解相結合。

他對於量化不確定性以及藉助物理學爲機器學習提供信息的癡迷，源於早期使用強化學習開發機器人控制算法的嘗試。

當今機器學習方法中的一個主要障礙是樣本複雜性，也就是學習算法要達到正確性能水平所需數據量的問題。數據越多，所需的能量就越多，對環境的影響就越大。

爲了解決這個問題，圖穆探索了更有效的方法，並發現基於物理和受約束的學習可以顯著減少對大量採樣的需求

通過將這種方法與共形預測（一種用於無分佈不確定性量化的方法）相融合，圖穆成功找到了一種能夠有效且可靠地控制複雜系統的辦法。

這種將物理信息和約束學習與共形預測進行的創新結合，已成爲他研究的動力源泉，有希望挖掘出更大的多智能體系統（比如無人機羣或者無人駕駛汽車）或者像電網和風力發電場之類基礎設施的潛力。

優化交通系統一直是激勵圖穆開展研究的一個應用方向。

在他們發表於 arXiv 預印本服務器的論文“大規模城市道路網絡的可微預測控制”裡，圖穆和他的合作伙伴解決了我們這個時代最爲緊迫的問題之一：交通擁堵以及其對二氧化碳排放的影響。

由於交通是全球排放的主要推動因素，對交通網絡進行優化對於降低能源消耗和緩解氣候變化極爲重要。

圖穆的新方法運用了可微預測控制（DPC），這是在 PNNL 開發的一種基於物理信息的機器學習方式，來推動交通管理工作。

與 MPC 相比，MPC 擴展性能不佳，解決交通流量問題耗時甚多，Tumu 發現 DPC 能夠準確快速地解決這些問題，爲交通管理提供了更強大的解決方案。

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

正如論文中所報道的，DPC 使計算時間降低了四個數量級，交通性能的提升幅度高達 37％。此外，控制器對場景變化的魯棒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絡中的擁堵。

Tumu 的研究的實際影響將通過 PNNL 與佛羅里達州科勒爾蓋布爾斯市的合作作爲 AutonomIA 項目的一部分予以評估。目標是在現實環境中實施這些先進的交通控制算法——交通燈和信號的管理策略，以顯著減少旅行時間和能源消耗。

截至目前，結果充滿希望：該項目估計車輛延誤將大幅減少，有助於降低總體能源消耗和減少 CO2排放。

“這種優化現有交通控制基礎設施的創新方法是至關重要的一步，應對氣候變化，”研究數據科學家 Ján Drgoňa 說，他是圖穆在太平洋西北國家實驗室（PNNL）的導師之一。

圖穆的研究超出了城市交通的範圍。與 PNNL 合作，他正在應用和推進 DPC 方法，以提高現有風力發電場的效率。“這種拓展與我開發網絡信息物理系統控制算法以提高效率和性能的總體研究願景相契合，”圖穆說。

“通過融入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算法。”

“南丹·圖穆的研究蘊含了在數學上嚴謹且具有擴展性的方法，以解決關鍵的氣候和複雜的社會挑戰，”曼加拉姆說。

“通過整合基於物理的機器學習與先進的控制方法相結合，他正在開創有望使我們的城市環境更高效、能源系統更可持續的解決方案。”

“他的工作證明了跨學科研究的力量，以及其在我們的世界中推動有意義變革的潛力，”PRECISE 中心主任、CIS 的塞西莉亞·菲特勒·摩爾教授英蘇普·李說道。

“隨着南丹不斷突破各種可能的界限，他的貢獻註定會在學術界和社會中留下長久的影響。”