面向边缘AI的加速数字孪生学习：FPGA与移动GPU的比较
分布式、并行与集群计算
2025-12-23 v1 人工智能
摘要
数字孪生（DT）可以通过持续学习患者特定动态的数学表示来实现精准医疗。然而，关键任务医疗应用需要快速、资源高效的DT学习，而由于现有模型恢复（MR）技术依赖迭代求解器且计算/内存需求高，这通常是不可行的。在本文中，我们提出了一个通用的DT学习框架，该框架适用于在FPGA等可重构硬件上进行加速，从而实现了显著的加速和能效提升。我们将基于FPGA的实现与移动GPU上的多处理实现进行了比较，后者是边缘设备中AI的流行选择。此外，我们将两种边缘AI实现与云GPU基线进行了比较。具体来说，与云GPU基线相比，我们的FPGA实现实现了MR任务8.8倍的能效比提升，DRAM占用减少了28.5倍，运行时间加速了1.67倍。另一方面，移动GPU的能效比提升了2倍，但运行时间是FPGA的2倍，DRAM占用是FPGA的10倍以上。我们展示了该技术在1型糖尿病DT引导的合成数据生成和主动冠状动脉疾病检测中的应用。
引用
@article{arxiv.2512.17941,
title = {Accelerated Digital Twin Learning for Edge AI: A Comparison of FPGA and Mobile GPU},
author = {Bin Xu and Ayan Banerjee and Midhat Urooj and Sandeep K. S. Gupta},
journal= {arXiv preprint arXiv:2512.17941},
year = {2025}
}