Študija Univerze v Marylandu nakazuje, da bi lahko globoko učenje, napredna oblika umetne inteligence (UI), znatno zmanjšalo porabo energije v prihodnjih sistemih za ogrevanje, prezračevanje in klimatizacijo (HVAC). Raziskava, izvedena v CEEE, je bila osredotočena na vpliv umetne inteligence pri napovedovanju porabe energije v sistemu s spremenljivim pretokom hladilnega sredstva (VRF). Ta posebna HVAC tehnologija, ki vključuje zunanjo enoto in več notranjih enot, je bila testirana v Glenn L. Martin Hall. Njihove ugotovitve bodo januarja 2025 objavljene na spletu v reviji International Journal of Refrigeration. HVAC sistemi predstavljajo približno polovico porabe električne energije v stavbi, zato je optimizacija VRF sistema odvisna od natančnih napovedi porabe energije. Raziskovalci iz UMD so ocenili dva modela umetne inteligence: tradicionalno umetno nevronsko mrežo (ANN) in novejši, bolj podatkovno intenziven model dolgoročnega kratkotrajnega spomina (LSTM).

Oba analizirata podatke za prepoznavanje vzorcev in napovedovanje, vendar LSTM zahteva več podatkov. Presenetljivo je, da je model LSTM ne le bolj natančno napovedal porabo energije, ampak je tudi zahteval manj računalniške moči in pomnilnika kot ANN. Po besedah Po-Chinga Hsuja, dodiplomskega študenta strojništva in vodilnega avtorja, model ANN poskuša izboljšati natančnost z gradnjo bolj zapletenega modela med postopkom optimizacije, a vseeno zaostaja za LSTM. Soavtorji študije so Lei Gao, dr. '22, ki je zdaj v Oak Ridge National Laboratory, in Yunho Hwang, raziskovalni profesor strojništva in sovodja CEEE. Čeprav se uporaba modela LSTM v HVAC tehnologiji še raziskuje, ta študija kaže, da bi lahko bistveno povečal energetsko učinkovitost. Model LSTM je bil razvit z uporabo letnih podatkov. Hsu je dodal: "Zdaj je izziv ugotoviti, ali lahko dosežemo enako natančnost le z nekaj dnevi ali tedni podatkov. "