Controlling Chaos Using Edge Computing Hardware

机器学习提供了一种数据驱动的方法，用于创建系统的数字孪生——用于预测系统行为的数字模型。拥有准确的数字孪生可以推动许多应用，例如控制自主系统。通常，数字孪生或相关控制器的大小、重量和功耗必须最小化，最好在嵌入式计算硬件上实现，可以在没有云计算连接的情况下运行。在这里，我们展示了一种基于下一代储水池计算的非线性控制器，可以解决一个困难的控制问题：将混沌系统控制到任意时变状态。该模型精确，但足够小，可以在通常用于嵌入式设备的现场可编程门阵列上进行评估。此外，该模型每次评估仅需要25.0±7.0 nJ的能量，远低于其他算法，即使没有系统功率优化。我们的工作代表了将高效的机器学习算法部署到计算“边缘”的第一步。

本论文旨在利用下一代油藏计算来解决控制混沌系统的问题，该系统需要被控制到任意时变状态。同时，该研究还试图将模型大小、重量和功耗最小化，以便在嵌入式设备上运行。

本论文提出了一种基于下一代油藏计算的非线性控制器，该控制器可以解决混沌系统控制的难题。该模型准确性高，而且足够小，可以在嵌入式设备上进行评估。此外，该模型每次评估只需要25.0±7.0 nJ的能量，即使没有系统性的功耗优化，也比其他算法低得多。

实验表明，该模型可以在嵌入式设备上运行，而且每次评估的能量消耗非常低。此外，该模型的准确性也很高。

在嵌入式设备上运行机器学习算法的研究目前正在快速发展。与本文相关的研究包括使用其他机器学习算法（如神经网络和支持向量机）来控制混沌系统。