基于仿忆电阻神经常微分方程求解器的连续时间数字孪生体
硬件体系结构
2024-06-13 v1 人工智能
新兴技术
神经与进化计算
摘要
数字孪生体是工业4.0的基石，通过计算机模型复制现实世界实体，正在革新制造管理和工业自动化等领域。最近的机器学习进展为使用离散时间数据和数字计算机上有限深度模型开发数字孪生体提供了数据驱动方法。然而，这种方法无法捕捉 underlying 的连续动态，难以建模复杂系统行为。此外，数字计算机的体系结构具有独立的存储和处理单元， necessitating 频繁的数据传输和模拟-数字(A/D)转换，从而显著增加时间和能耗成本。本文引入一种仿忆电阻神经常微分方程(ODE)求解器，用于数字孪生体，能够捕捉连续时间动态，并通过无限深度模型实现复杂系统的建模。通过将存储和计算集成到模拟电阻阵列中，我们规避了von Neumann瓶颈，从而提升了速度和能效。我们通过构建HP仿忆电阻的数字孪生体来实验验证该方法，准确推演其非线性动态，实现相对于最先进数字硬件的4.2倍加速和41.4倍能耗降低，同时保持可接受的误差范围。此外，我们通过对Lorenz96动力学的实验验证性仿真展示了可扩展性，显示出相对于传统数字方法的12.6倍速度和189.7倍能效提升。通过发掘完全模拟计算的潜力，我们的突破加速了数字孪生体的开发，为满足工业4.0的需求提供了高效且快速的解决方案。
引用
@article{arxiv.2406.08343,
title = {Continuous-Time Digital Twin with Analogue Memristive Neural Ordinary Differential Equation Solver},
author = {Hegan Chen and Jichang Yang and Jia Chen and Songqi Wang and Shaocong Wang and Dingchen Wang and Xinyu Tian and Yifei Yu and Xi Chen and Yinan Lin and Yangu He and Xiaoshan Wu and Yi Li and Xinyuan Zhang and Ning Lin and Meng Xu and Yi Li and Xumeng Zhang and Zhongrui Wang and Han Wang and Dashan Shang and Qi Liu and Kwang-Ting Cheng and Ming Liu},
journal= {arXiv preprint arXiv:2406.08343},
year = {2024}
}
备注
14 pages, 4 figures