Function+Data Flow：面向数字孪生的机器学习管道指定框架
软件工程
2024-07-09 v2 人工智能
机器学习
摘要
开发面向物理系统的数字孪生（DTs）日益依赖人工智能（AI），尤其是用于组合来自不同来源的数据或创建计算上高效的、降维模型。事实上，在非常不同的应用领域中，孪生技术都采用了常见的技术，例如模型阶梯和采用混合数据（即来自基于物理的模型和传感器的数据）进行建模。尽管如此，当前的开发实践是 ad-hoc 的，使得为数字孪生设计 AI 管道变得复杂且耗时。本文我们提出 Function+Data Flow（FDF），这是一种用于描述数字孪生中 AI 管道的领域特定语言（DSL）。FDF旨在 facilitate 设计和验证数字孪生。具体而言，FDF将函数作为 first-class 公民， enable 对使用 AI 学习的模型进行有效操作。我们在来自不同领域的两个具体用例中展示了 FDF 的优势：一个用于预测结构的塑性应变，另一个用于建模轴承的电磁行为。
引用
@article{arxiv.2406.19670,
title = {Function+Data Flow: A Framework to Specify Machine Learning Pipelines for Digital Twinning},
author = {Eduardo de Conto and Blaise Genest and Arvind Easwaran},
journal= {arXiv preprint arXiv:2406.19670},
year = {2024}
}
备注
9 pages, 10 figures, to be published in AIware'24