Deep learning methods for intelligent cyber-physical systems
Loading...
Date
2023
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Los sistemas ciberfísicos (CPSs) han surgido en los últimos años como un nuevo paradigma que fusiona varias tecnologías para permitir la interfaz entre el mundo físico y el cibernético. Esto ha abierto la puerta al uso de técnicas de inteligencia artificial (AI) para interactuar con el mundo físico en tiempo real. Sin embargo, la interacción con sistemas físicos reales impone una serie de desafíos que estaban ausentes en los dominios de aplicación para los que se diseñaron originalmente estas técnicas basadas en datos, y se hace necesario la creación de un nuevo conjunto de modelos y métodos específicamente diseñados para hacer frente a estas dificultades. Esto ha limitado una adopción más amplia de los métodos de AI en los CPSs y en cambio, muchos han optado por métodos clásicos de filtrado, modelado y control para el desarrollo de este tipo de sistemas. En esta tesis se muestra como los CPSs pueden verse altamente beneficiados en diferentes niveles de su arquitectura al incorporar métodos inteligentes basados en datos, en particular, métodos de aprendizaje profundo cuidadosamente diseñados para lidiar con las dificultades inherentes que impone la interacción con sistemas físicos reales. En concreto, se muestra como los métodos de aprendizaje profundo pueden dotar a los CPSs de nuevas capacidades que no se pueden lograr con técnicas clásicas, y que estos métodos de AI logran un mejor rendimiento que sus homólogos clásicos en diferentes dominios cuando se utilizan diversas métricas específicas de la aplicación. Por lo tanto, mostrando cómo las técnicas de aprendizaje profundo contribuyen a liberar todo el potencial de los CPSs, transformándolos en sistemas de mejor rendimiento, más eficaces e inteligentes, a saber, en CPS “inteligentes” o iCPS. Para ello, se proponen tres métodos para iCPSs, materializados en tres aplicaciones diferentes, a saber, un método de limpieza de datos basado en aprendizaje por contraste, un modelo de aprendizaje profundo adaptativo basado en meta-aprendizaje, y un controlador neuroevolutivo con capacidad de aprendizaje y gran flexibilidad durante el proceso de optimización. Los resultados muestran la superioridad de los métodos propuestos cuando se comparan con otros métodos clásicos y otros métodos basados en datos en los diferentes dominios en los que se aplican nuestros métodos. Se espera que los resultados de esta investigación fomenten el desarrollo de más métodos inteligentes adecuados para los iCPS.
Description
Tesis (Doctor of Science in Engineering)--Pontificia Universidad Católica de Chile, 2023
Keywords
Sistemas ciberfísicos, Aprendizaje profundo, Inteligencia artificial, Aprendizaje por contraste, Meta-Aprendizaje, Redes Recurrentes de Kalman, Aprendizaje reforzado, Predicción de glucosa, Páncreas artificial, Neuroevolución, Control predictivo por modelos