Entrenamiento remoto de una computadora de depósito a través de gemelos digitales

Área de la Ciencia:

• Optoelectrónica y sus derivados
• Ciencias computacionales
• Inteligencia artificial

Sus antecedentes:

• Aumento de las demandas de energía del procesamiento tradicional de la información.
• Potencial de la computación de depósitos ópticos y optoelectrónicos para aplicaciones de baja energía.
• Desafíos en la computación de depósitos de entrenamiento debido a los costos computacionales y las operaciones de matriz.

Objetivo del estudio:

• Proponer y validar un enfoque de capacitación a distancia para la computación de reservorios utilizando gemelos digitales.
• Permitir la inferencia continua en las reservas físicas sin interrupciones específicas de la tarea.
• Para reducir la complejidad computacional asociada con los pesos de salida del depósito de entrenamiento.

Principales métodos:

• Desarrollo de dos modelos de gemelos digitales: una basada en ecuaciones diferenciales y una red neuronal profunda (DNN).
• Implementación de una estrategia de formación a distancia utilizando estos gemelos digitales.
• Validación utilizando datos experimentales de un depósito optoelectrónico para una tarea de predicción de series temporales (láser de Santa Fe).

Principales resultados:

• Ambos modelos gemelos digitales replicaron con éxito la dinámica del depósito optoelectrónico.
• Se lograron predicciones precisas, y los pesos fueron transferibles de los gemelos digitales al depósito físico.
• El modelo basado en ecuaciones mostró una mayor precisión de predicción; el modelo DNN exhibió una mejor robustez de hiperparámetros.

Conclusiones:

• Los gemelos digitales proporcionan un método eficaz para el entrenamiento remoto de los sistemas informáticos de reservorio.
• El enfoque propuesto permite el funcionamiento continuo de las reservas físicas para la inferencia.
• Esto facilita un entrenamiento más eficiente y menos complejo de los sistemas informáticos ópticos y optoelectrónicos.