Introduction
Dans Simio, la logique décisionnelle complexe peut être simplifiée en utilisant la régression de réseaux neuronaux pour déduire des informations lorsque la relation entre les entrées et les sorties est compliquée, comme l'estimation des délais de livraison des commandes. Les simulations peuvent non seulement utiliser des modèles de réseaux neuronaux pour l'estimation et l'inférence, mais aussi générer automatiquement des données d'entraînement synthétiques pour contrôler leurs performances prédictives et les entraîner à nouveau. En utilisant des réseaux neuronaux pour simplifier la logique de décision dans un modèle de simulation, l'accent est mis sur la modélisation des composants du système et de leurs interactions. Le modèle de simulation du jumeau numérique est ainsi plus facile à construire, à comprendre, à déboguer et à entretenir.
Les réseaux neuronaux sont un sous-ensemble d'algorithmes d'apprentissage automatique, inspirés du cerveau humain. Un modèle de réseau neuronal se compose de couches de nœuds : une couche d'entrée, une ou plusieurs couches cachées et une couche de sortie. Un réseau comportant deux couches cachées ou plus est appelé réseau d'apprentissage profond. Un réseau neuronal feedforward est la première et la plus simple forme de réseau neuronal, dans lequel les données se déplacent dans une seule direction de la couche d'entrée à la couche de sortie (sans bouclage). Le réseau possède des paramètres appelés poids et biais, qui sont établis au cours d'un processus appelé formation. Ces poids et biais sont ensuite utilisés pour transformer les entrées de chaque nœud en une sortie qui est envoyée à la couche de nœuds suivante.
Un réseau neuronal de régression prédit une ou plusieurs sorties numériques à partir d'un ensemble d'entrées numériques. Bien que les réseaux neuronaux soient largement connus pour la modélisation de problèmes complexes tels que la reconnaissance d'images et les applications d'IA générative telles que ChatGPT, ils sont également bien adaptés aux applications de régression, telles que la prédiction d'un ICP dans un système en fonction de l'état actuel du système. Elles constituent donc un cadre idéal pour intégrer l'IA dans les modèles de simulation de jumeaux numériques.
Jumeaux numériques et réseaux neuronaux Simio
Simio est le premier et le seul logiciel de simulation de jumeaux numériques basé sur des événements discrets à offrir des fonctions d'IA complètes et intégrées, prenant entièrement en charge la création et l'entraînement automatique de réseaux neuronaux de régression dans un modèle - sans nécessiter de programmation Python ou Java ou d'intégration avec des outils d'IA tiers externes. Simio permet de définir un ou plusieurs modèles de réseaux neuronaux, qui peuvent ensuite être référencés pour l'inférence au sein d'un modèle Simio par le biais d'un élément de réseau neuronal.
Veuillez télécharger le PDF ci-dessous pour continuer à lire...
Télécharger la version PDF