Continuous-Time Digital Twin with Analogue Memristive Neural Ordinary Differential Equation Solver

数字孪生是工业4.0的基石，通过计算机模型复制真实世界的实体，革新了制造管理和工业自动化等领域。最近机器学习的进展提供了使用离散时间数据和有限深度模型在数字计算机上开发数字孪生的数据驱动方法。然而，这种方法无法捕捉基础连续动态，并且在对复杂系统行为进行建模时存在困难。此外，数字计算机的架构，具有分离的存储和处理单元，需要频繁的数据传输和模拟数字（A/D）转换，从而显著增加了时间和能量成本。在这里，我们介绍了一种基于存储电阻器神经普通微分方程（ODE）求解器的数字孪生，它能够捕捉连续时间动态，并使用无限深度模型便于建模复杂系统。通过在模拟电阻器阵列中集成存储和计算，我们规避了冯·诺依曼瓶颈，从而提高了速度和能源效率。我们通过开发HP电阻器的数字孪生来实验验证我们的方法，该方法准确地外推了它的非线性动态，与最先进的数字硬件相比，实现了4.2倍的预计加速和41.4倍的预计能耗降低，同时保持了可接受的误差范围。此外，我们通过实验基础的Lorenz96动态模拟展示了可扩展性，相对于传统的数字方法，展示出了12.6倍的速度和189.7倍的能源效率的预计性能提升。通过利用完全模拟计算的能力，我们的突破加速了数字孪生的发展，为满足工业4.0的需求提供了高效快速的解决方案。

本论文旨在解决数字孪生模型中离散时间数据和有限深度模型无法捕捉连续动态和复杂系统行为的问题，同时通过集成存储和计算来提高速度和能源效率。

论文提出了一种使用模拟电阻存储器阵列解决ODE的神经网络，以捕捉连续时间动态和实现无限深度模型的数字孪生模型。这种方法绕过了冯诺依曼瓶颈，提高了速度和能源效率。

论文使用模拟电阻存储器阵列开发了HP模拟器的数字孪生模型，并展示了可扩展性。实验表明，相对于传统数字方法，该方法可以实现4.2倍的速度提升和41.4倍的能源消耗降低，同时保持可接受的误差范围。此外，作者还展示了在Lorenz96动态下的性能提升。

最近的相关研究包括使用传统数字计算机进行数字孪生模型开发的研究，以及使用模拟电路进行计算的研究。