Opis projektu
W kierunku wiarygodnego uczenia maszynowego
Uczenie maszynowe ma szansę przyczynić się do gruntownej dekarbonizacji sektora energetycznego. Jego zdolność do uczenia się w złożonych środowiskach i dostarczania rozwiązań sprawia, że uczenie maszynowe ma szansę radykalnie przeobrazić systemy energetyczne. Jednakże nowe normy weryfikacji obowiązujące w UE będą wymagały, aby wszystkie systemy uczenia maszynowego i uczenia ze wzmocnieniem wykorzystywane w zastosowaniach krytycznych dla bezpieczeństwa były w sposób oczywisty wiarygodne. Finansowany przez UE projekt TRUST-ML ma na celu opracowanie ujednoliconych ram pozwalających na ocenę ilościową wiarygodności modeli sieci neuronowych powszechnie stosowanych w systemach elektroenergetycznych. Zespół TRUST-ML wykorzysta nowatorskie podejście optymalizacyjne do oceny wiarygodności uczenia maszynowego pod względem wydajności, odporności i możliwości interpretacji. Rozwiązanie pozwoli także sprostać nowym potrzebom rzeczywistych systemów energetycznych.
Cel
Deep decarbonization of the energy sector will require massive penetration of stochastic renewable energy resources and an enormous amount of grid asset coordination; this represents a challenging paradigm for power system operators. With its ability to learn in complex environments and provide predictive solutions on fast timescales, machine learning (ML) is posed to help overcome these challenges and dramatically transform power systems in coming decades. Emerging EU verification standards, however, will require that all ML and Reinforcement Learning (RL) used in safety critical applications be demonstrably trustworthy. In this project, we develop a unified framework, known as Trust-ML, for assessing the quantitative trustworthiness of the neural network models commonly used in power systems. Trust-ML uses a novel, convex optimization approach to assess ML trustworthiness across three key dimensions: performance, robustness, and interpretability. The approach is engineered to be scalable, and by design, it generates exact verification guarantees. Furthermore, Trust-ML is designed to meet the emerging needs of actual power systems. In particular, it can verify the performance of multi-agent RL systems in rigorous ways, and its relaxed counterpart can offer tractable, worst-case performance guarantees in the context of online learning. The resulting verification tools will be published as open-source software packages and shared widely with researchers and industry. This project will advance state-of-the-art methods across several interdisciplinary fields, it will help remove the barriers associated with machine learning deployment in power systems, and its outcomes will help push European power grids into competitive spaces. Coming from MIT with advanced training in power systems, the project PI, Samuel Chevalier, is characteristically well-suited to build Trust-ML, and his team of advisors represents a mixture of experts across power, optimization, and learning.
Dziedzina nauki
- natural sciencescomputer and information sciencessoftware
- engineering and technologyenvironmental engineeringenergy and fuelsrenewable energy
- natural sciencescomputer and information sciencesartificial intelligencemachine learningreinforcement learning
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectrical engineeringpower engineeringelectric power transmission
- natural sciencescomputer and information sciencesartificial intelligencecomputational intelligence
Słowa kluczowe
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
MSCA-PF - MSCA-PFKoordynator
2800 Kongens Lyngby
Dania