Мэриландын Их Сургуулийн судалгаагаар гүнзгий суралцах нь ирээдүйн халаалт, агааржуулалт, агааржуулагч (HVAC) системийн эрчим хүчний хэрэглээг ихээхэн багасгаж болохыг санал болгож байна. UMD-ийн Байгаль Орчны Эрчим Хүчний Инженерчлэлийн Төвд (CEEE) хийгдсэн судалгаа нь AI ашиглан өөрчлөн тохируулах хөргүүрийн урсгалын (VRF) системийн цахилгаан хэрэглээг таамаглах нөлөөллийг онцолсон. Энэхүү HVAC технологийг Glenn L. Martin танхимд гадаа болон хэд хэдэн дотоод нэгжүүдтэй туршиж үзжээ. Тэдний үр дүн 2025 оны 1-р сард Олон Улсын Хөргөлтийн Сэтгүүлд онлайн хэлбэрээр нийтлэгдэх болно. HVAC систем нь барилгын цахилгаан хэрэглээний талаас илүү хувийг эзэлдэг бөгөөд VRF системийн хяналтыг оновчтой болгох нь цахилгаан хэрэглээний зөв таамаглалтай шууд холбоотой юм. UMD-ийн судлаачид хоёр AI загварыг үнэлсэн: уламжлалт Хиймэл Мэдрэлийн Сүлжээ (ANN), мөн илүү их өгөгдөл шаарддаг Урт-Богино Хугацааны Санах Ойн (LSTM) шинэ загвар.

Аль аль нь өгөгдлийг шинжилж загвар тодорхойлж таамаглал гаргадаг ч LSTM нь илүү их өгөгдөл шаарддаг. Гэхдээ LSTM загвар нь цахилгаан хэрэглээг илүү нарийн таамаглаж, ANN загвараас бага тооцоолол ба санах ойн багтаамж шаардсан нь санаанд оромгүй байлаа. Машин механизмын инженерийн оюутан, тэргүүлэх зохиогч, По-Чинг Хсу хэлэхдээ, ANN загвар нь оновчлолын явцад илүү нарийн загвар бүтээх замаар нарийвчлалыг нэмэгдүүлэхийг оролддог ч LSTM-тай харьцуулахад буурдаг хэмээн тэмдэглэв. Зохиогчдод Ph. D. ’22-оогүй Лэй Гао, одоо Oak Ridge Үндэсний Лабораторид ажиллаж буй, болон Машин механизмын инженерийн судалгааны профессор, CEEE-ийн хамтран захирал Юнхо Хуанг нар багтжээ. HVAC технологид LSTM загварыг ашиглах нь одоо ч судлагдаж байгаа ч энэхүү судалгаа нь эрчим хүчний үр ашгийг ихээхэн сайжруулж болохыг харуулж байна. LSTM загвар нь нэг жилийн өгөгдлөөр боловсруулагдсан. Хсу "Одоо хийх сорилт бол зөвхөн хэдэн өдөр эсвэл долоо хоногийн өгөгдлөөр ижил нарийвчлалд хүрч чадах эсэхийг тодорхойлох явдал юм. " гэж нэмж хэлэв.