Дослідження Університету Меріленду свідчить, що глибоке навчання, складна форма штучного інтелекту (ШІ), могло б значно зменшити енергоспоживання в майбутніх системах опалення, вентиляції та кондиціонування (HVAC). Дослідження, проведене в Центрі інженерії екологічної енергії (CEEE) при UMD, зосереджене на впливі ШІ на прогнозування використання енергії в системі змінного витратного потоку холодоагенту (VRF). Цю конкретну технологію HVAC, яка має зовнішній і кілька внутрішніх блоків, було протестовано в залі Гленна Л. Мартіна. Їхні висновки будуть опубліковані онлайн у номері Міжнародного журналу з рефрижерації за січень 2025 року. Системи HVAC складають близько половини енергоспоживання будівлі, і оптимізація управління системою VRF залежить від точних прогнозів споживання енергії. Дослідники з UMD оцінили дві моделі ШІ: класичну штучну нейронну мережу (ANN) та новішу, даномістку модель довго-короткострокової пам'яті (LSTM).

Обидві аналізують дані для розпізнавання шаблонів та формування прогнозів, але LSTM вимагає більше даних. Неочікувано, модель LSTM не лише точніше передбачила споживання енергії, але й потребувала менше обчислювальної потужності та пам’яті, ніж ANN. За словами По-Чінга Хсу, аспіранта механоінженера та провідного автора, модель ANN намагається підвищити точність, створюючи складнішу модель в процесі оптимізації, але все ж поступається LSTM. Серед співавторів дослідження Лей Гао, к. ф. -м. н. 2022 року, який зараз працює в Національній лабораторії Оук-Рідж, та Юнхо Хванг, науковий професор механоінженерії і співдиректор CEEE. Хоча застосування моделі LSTM в технології HVAC ще досліджується, це дослідження вказує на можливість суттєвого підвищення енергоефективності. Модель LSTM була розроблена на базі даних за рік. Хсу додав: «Тепер питання у тому, чи зможемо ми досягти такої ж точності лише за кілька днів або тижнів даних».