Elektrik piyasası operasyonlarında kritik öneme sahip güç akışı optimizasyonunda yapay zeka kullanımıyla ilgili çarpıcı bir keşif yapıldı. Araştırmacılar, makine öğrenmesi yöntemlerinin %30-46 performans artışı sağladığını iddia eden önceki çalışmaların yanlış karşılaştırma yaptığını ortaya çıkardı. MIT ve diğer kurumlardan bilim insanları, bu iddiaların hatalı bir başlangıç noktasına dayandığını ve gerçekte hiçbir performans artışı olmadığını gösterdi. Araştırma, interior-point çözücülerde primal tahmin doğruluğunun yakınsama hızıyla ters orantılı olduğunu ve optimal çözümü bile verilse çözücünün sapabileceğini keşfetti.

Araştırmacılar, farklı kütlelere sahip sistemler arasında optimal kaynak aktarımı yapabilen yeni bir matematiksel model geliştirdi. 'Dengesiz optimal taşıma' adı verilen bu yaklaşım, klasik optimal taşıma teorisinin sınırlarını aşarak, kaynak ve hedef arasındaki kütle farklılıklarını hesaba katıyor. Model, özellikle doğrusal sistemler ve Gaussian dağılımlar için global olarak optimal çözümler sunuyor. Bu gelişme, lojistik optimizasyondan makine öğrenmesine kadar birçok alanda uygulanabilir. Dinamik uzantısı olan 'dengesiz yoğunluk kontrolü' ise sistem kısıtlarını ve zaman faktörünü de modele dahil ediyor.

Araştırmacılar, endüstriyel süreçlerin optimizasyonunda kullanılan 'kendi kendini optimize eden kontrol' stratejisini dinamik sistemler için yeniden tasarladı. Geleneksel yöntem durağan koşullarda çalışırken, yeni yaklaşım sürekli değişen batch üretim süreçleri ve ürün geçişleri gibi dinamik durumlar için optimize edildi. 'Dinamik kontrollü değişkenler' adı verilen yeni bir kavram tanıtılarak, süreç optimizasyonu problemleri kontrol problemlerine dönüştürülüyor. Bu gelişme, daha rafine hale gelen endüstriyel sistemlerin ihtiyaçlarına yanıt veriyor ve özellikle kimya, petrokimya ve ilaç endüstrilerinde önemli uygulamalara sahip olabilir.

Araştırmacılar, kesikli üretim süreçlerinin verimliliğini artırmak için yeni bir kontrol sistemi geliştirdi. Kesikli üretim, sürekli üretimin aksine belirli miktarlarda gerçekleştirilen üretim türüdür ve daha karmaşık dinamiklere sahiptir. Geleneksel kendini optimize eden kontrol (SOC) sistemleri, kesikli süreçlerin doğrusal olmayan yapısı ve değişkenler arası nedensellik ilişkileri nedeniyle yetersiz kalıyordu. Yeni geliştirilen küresel SOC sistemi, bu zorluklarla başa çıkarak kesikli üretim süreçlerinde optimal performansa yakın sonuçlar elde etmeyi hedefliyor. Bu gelişme, kimya endüstrisi, ilaç üretimi ve gıda işleme gibi birçok sektörde üretim verimliliğinin artırılmasında önemli rol oynayabilir.

Araştırmacılar, birden fazla yapay zeka ajanının merkezi bir kontrol sistemi olmadan koordineli şekilde çalışabilmesini sağlayan yeni bir yöntem geliştirdi. Bu breakthrough yaklaşım, ajanların kendi aralarında iletişim kurarak ortak hedeflere ulaşmalarını ve belirli kısıtlamaları gözetmelerini mümkün kılıyor. Geleneksel çok-ajan pekiştirmeli öğrenme sistemleri merkezi bir eğitim süreci gerektirirken, yeni yöntem tamamen dağıtık bir yapıda çalışıyor. Her ajan, yerel bilgilerini kullanarak hem ana değişkenleri hem de dual değişkenleri tahmin ediyor ve bu sayede sistem genelinde uyum sağlanıyor. Algoritmanın matematiksel yakınsama garantileri de kanıtlanmış durumda. Bu gelişme, otonom araç filosundan akıllı şehir sistemlerine kadar geniş bir uygulama alanına sahip.

Araştırmacılar, modern elektrik dağıtım şebekelerinin karmaşık sorunlarını çözmek için yapay zeka tabanlı yeni bir sistem geliştirdi. NEO-Grid adlı bu framework, güneş panelleri ve rüzgar türbinleri gibi dağıtık enerji kaynaklarının yaygınlaşmasıyla ortaya çıkan voltaj kontrolü sorunlarına çözüm sunuyor. Geleneksel doğrusal yaklaşımlar yerine, güç akışı ile voltaj büyüklüğü arasındaki karmaşık ilişkileri öğrenebilen sinir ağları kullanıyor. Sistem, IEEE 33-bus test ağında geleneksel yöntemlere kıyasla önemli ölçüde daha iyi voltaj düzenleme performansı sergiledi. Bu gelişme, yenilenebilir enerji kaynaklarının entegrasyonunu kolaylaştırarak daha güvenilir ve verimli elektrik şebekeleri oluşturulmasına katkı sağlayabilir.

MIT ve Stanford araştırmacıları, belirsizlik durumlarında en kötü senaryoya dayalı karar verme yöntemi olan Dağılımsal Dayanıklı Optimizasyon'da çığır açan bir keşif yaptı. Araştırmacılar, bu yöntemdeki düzenleyici fonksiyonun aslında beklenen maliyetin nominal modelden sapmalara karşı en kötü durum duyarlılığını ölçtüğünü gösterdi. Bu keşif, yöntemin performans ile dayanıklılık arasında temel bir denge kurduğunu ortaya koyuyor. Bulgular, finansal risk yönetiminden makine öğrenmesine kadar belirsizlikle başa çıkmanın kritik olduğu alanlarda sistematik yaklaşımlar geliştirme potansiyeli taşıyor. Araştırma, karar vericilerin model belirsizliği karşısında daha bilinçli tercihler yapabilmesi için yeni bir çerçeve sunuyor.

Araştırmacılar, enerji depolama sistemlerinin elektrik piyasalarındaki belirsizlikler karşısında optimal çalışması için yenilikçi bir risk yönetimi yaklaşımı geliştirdi. İki aşamalı stokastik model, yenilenebilir enerji kaynaklarının entegrasyonunu kolaylaştırırken finansal riskleri minimize ediyor. Çalışma, elektrik fiyat dalgalanmalarını önceden tahmin ederek enerji depolama varlıklarının şarj ve deşarj stratejilerini optimize ediyor. Koşullu risk değeri (CVaR) metoduyla risk ölçümü yapan sistem, hem hidrojen depolama hem de batarya sistemlerinde test edildi. Bu yaklaşım, enerji sektöründeki yatırımcıların sermaye maliyetlerini karşılarken cazip getiri oranları elde etmesini sağlayacak potansiyele sahip.

Araştırmacılar, dinamik sistemlerin davranışlarını analiz etmek için yenilikçi bir matematiksel yaklaşım geliştirdi. Geleneksel yöntemler doğrusal sistemlerde başarılı olsa da, doğrusal olmayan ve stokastik sistemlerde zorluklar yaşanıyordu. Yeni yaklaşım, sistemlerin davranışlarını yörüngeler üzerindeki olasılık dağılımları olarak temsil ediyor. Bu yöntem, doğrusal olmayan sistemlerde bile konveks matematiksel yapılar oluşturarak optimizasyon problemlerini çözmeyi kolaylaştırıyor. Araştırma, kontrol teorisi ve sistem mühendisliğinde önemli uygulamalara sahip olabilir.

Araştırmacılar, şehirlerdeki karmaşık trafik planlama problemlerini kuantum bilgisayarlarla çözebilecek yeni bir hibrit sistem geliştirdi. Geleneksel bilgisayarların zorlandığı büyük ölçekli ulaşım ağlarının optimizasyonu, kuantum ve klasik hesaplama yöntemlerinin birleştirilmesiyle mümkün hale geliyor. Bu yaklaşım, şehirleri dengeli trafik bölgelerine ayırma gibi karmaşık optimizasyon problemlerinde önemli bir ilerleme sağlıyor. Sistem, problemin en kritik kısımlarını kuantum işlemcilere, diğer bölümlerini ise klasik bilgisayarlara dağıtarak mevcut teknolojinin sınırlarını aşıyor. Bu gelişme, akıllı ulaşım sistemlerinin geleceği için önemli bir adım teşkil ediyor.

IBM'in Heron işlemcileri üzerinde gerçekleştirilen çığır açan bir çalışma, kuantum bilgisayarların sigorta sektöründeki risk analizi ve optimizasyon problemlerinde klasik bilgisayarlardan daha başarılı olabileceğini gösterdi. Araştırmacılar, belirsizlik içeren karmaşık optimizasyon problemlerini çözmek için hibrit kuantum-klasik bir yöntem geliştirdi. 150 qubit kullanılan deneylerde, sigorta poliçesi değerlendirmesinde kullanılan 'şansa bağlı kısıtlamalı sırt çantası problemi' olarak bilinen matematiksel modelde önemli ilerlemeler kaydedildi. Bu yaklaşım, sigorta şirketlerinin risk toleransları dahilinde daha doğru ve verimli poliçe fiyatlandırması yapmasına olanak tanıyabilir.