Einleitung
In Simio kann komplexe Entscheidungslogik vereinfacht werden, indem neuronale Netzregression verwendet wird, um Informationen abzuleiten, wenn die Beziehung zwischen Eingaben und Ausgaben kompliziert ist, wie z. B. bei der Schätzung von Auftragsvorlaufzeiten. Simulationsläufe können nicht nur Modelle neuronaler Netze für Schätzungen und Schlussfolgerungen verwenden, sondern auch automatisch synthetische Trainingsdaten erzeugen, um ihre Vorhersageleistung zu überwachen und sie neu zu trainieren. Durch den Einsatz neuronaler Netze zur Vereinfachung der Entscheidungslogik innerhalb eines Simulationsmodells verlagert sich der Schwerpunkt auf die Modellierung der Systemkomponenten und ihrer Interaktionen. Dadurch wird das Simulationsmodell des digitalen Zwillings einfacher zu erstellen, zu verstehen, zu debuggen und zu warten.
Neuronale Netze sind eine Untergruppe von Algorithmen des maschinellen Lernens, die vom menschlichen Gehirn inspiriert sind. Ein neuronales Netzwerkmodell besteht aus Knotenschichten: einer Eingabeschicht, einer oder mehreren verborgenen Schichten und einer Ausgabeschicht. Ein Netzwerk mit zwei oder mehr verborgenen Schichten wird als Deep Learning-Netzwerk bezeichnet. Ein neuronales Netzwerk mit Vorwärtskopplung ist die erste und einfachste Form eines neuronalen Netzwerks, bei dem sich die Daten nur in einer Richtung von der Eingabeschicht zur Ausgabeschicht bewegen (ohne Rückkopplungen). Das Netz verfügt über Parameter, die als Gewichte und Verzerrungen bezeichnet werden und durch einen Prozess namens Training festgelegt werden. Diese Gewichte und Verzerrungen werden dann verwendet, um die Eingaben an jedem Knoten in eine Ausgabe umzuwandeln, die an die nächste Knotenschicht gesendet wird.
Ein neuronales Regressionsnetz sagt eine oder mehrere numerische Ausgaben für eine Reihe numerischer Eingaben voraus. Obwohl neuronale Netze weithin für die Modellierung komplexer Probleme wie Bilderkennung und generative KI-Anwendungen wie ChatGPT bekannt sind, eignen sie sich auch gut für Regressionsanwendungen, z. B. für die Vorhersage eines KPI in einem System anhand des aktuellen Systemzustands. Dies macht sie zu einem idealen Rahmen für die Einbettung von KI in digitale Zwillingssimulationsmodelle.
Simio Digitale Zwillinge & Neuronale Netze
Simio ist die erste und einzige auf diskreten Ereignissen basierende Simulationssoftware für digitale Zwillinge, die umfassende, eingebettete KI-Funktionen bietet und die Erstellung und das automatische Training von neuronalen Regressionsnetzen innerhalb eines Modells vollständig unterstützt - ohne dass Python- oder Java-Programmierung oder die Integration mit externen KI-Tools von Drittanbietern erforderlich ist. Simio ermöglicht die Definition von einem oder mehreren neuronalen Netzwerkmodellen, die dann innerhalb eines Simio-Modells über ein neuronales Netzwerkelement für Inferenzen referenziert werden können.
Bitte laden Sie das untenstehende PDF herunter, um weiterzulesen...
PDF-Version herunterladen