Il progetto DeepMPC si pone l¿obiettivo di combinare la teoria del controllo classica con tecniche di machine learning al fine di sfruttare le potenzialità e dell¿una e delle altre. Si procede dapprima con uno studio sistematico della letteratura scientifica dei due mondi al fine di valutarne lo stato dell¿arte e al contempo di vagliare la presenza di possibili contaminazioni già avvenute. Una volta compiuto questo passaggio preliminare, si pensa di convogliare l¿attenzione verso i fondamenti teorici che giustifichino il tentativo di realizzazione di un nuovo tipo di controllore, il DeepMPC per l¿appunto, che, combinando l¿espressività delle reti neurali con la versatilità del Model Predictive Control (MPC), si pensa possa fornire una performance migliore rispetto al semplice MPC in una vasta gamma di applicazioni. Una volta definite le linee generali del DeepMPC, si passerà al valutarne opportunamente la performance, confrontandola, a parità di condizioni, con quella del MPC. Si compiranno valutazioni estensive su una vasta gamma di applicazioni, si valuterà la possibilità di definire un contesto applicativo di DeepMPC, in modo tale che il contributo scientifico risultante e pubblicato sia di eccellenza.
Lo sviluppo tecnologico pone delle sfide sempre più ambiziose e in ambito gnoseologico e in quello applicativo. Inglobando entrambi gli aspetti, la teoria del controllo è quanto mai viva e fervente di novità, quelle stesse che le hanno permesso di trasformarsi costantemente e continuamente negli ultimi anni. Essendo la conoscenza teorica al servizio dell¿applicazione, questo progetto ha le potenzialità di realizzare un avanzamento delle conoscenze rispetto allo stato dell¿arte in quanto si insinua in un tema di ricerca non assiduamente trattato, il cui avanzamento gioverebbe alla comunità scientifica internazionale tutta in quanto, il rapido avanzamento dell¿intelligenza artificiale, e dal punto di vista conoscitivo e dal punto di vista tecnico, costituisce un¿opportunità unica per rendere il mondo del controllo sempre più avanzato. Del resto si è passati dall¿intendere i sistemi di controllo come realtà chiuse a realtà in continuo aggiornamento, con un conseguente aumento della complessità e in termini realizzativi e in termini degli obiettivi da soddisfare. E¿ in questo contesto che DeepMPC rappresenta la naturale prosecuzione di questa tradizione centenaria. Mentre l¿utilizzo delle NNs a scopo predittivo è ampiamente vagliato in letteratura, negli ambiti più disparati, dalla finanza [11] alle previsioni meteo [12], il loro impiego nella chiusura del loop di controllo su base MPC costituisce ancora un problema aperto. A tal proposito ci si propone di vagliare differenti architetture neurali, allo scopo di definire una struttura del controllore che sia quanto più generale possibile, comunque di facile adattamento per la particolare applicazione.
[11] Robert R. Trippi and Efraim Turban. 1992. Neural Networks in Finance and Investing: Using Artificial Intelligence to Improve Real World Performance. McGraw-Hill, Inc., USA.
[12] D. N. Fente and D. Kumar Singh, Weather Forecasting Using Artificial Neural Networks,¿ 2018 Second International Conference on Inventive Communication and Computational Technologies (ICICCT), 2018, pp. 1757-1761, doi: 10.1109/ICICCT.2018.8473167.