| 0 |
|
Міжнародна група вчених представила інноваційну архітектуру глибокого навчання, яка вирішує одну з найскладніших проблем сучасного промислового інтернету речей (IIoT) - ефективне об'єднання та інтерпретацію великих масивів даних, отриманих із різних джерел.
Нова розробка під назвою CCDNN (Canonical Correlation Guided Deep Neural Network) була створена командою дослідників із Китаю та Німеччини під керівництвом професора Чживеня Ченя (Zhiwen Chen) з Центрально-Південного університету. Результати цього дослідження опубліковані 1 квітня 2026 року в науковому журналі IEEE/CAA Journal of Automatica Sinica.
Розвиток концепції Індустрії 4.0 дозволяє збирати гігабайти інформації для точного моделювання, класифікації та прогнозування. Раніше для об'єднання таких даних використовували метод канонічного кореляційного аналізу (CCA) та його сучасну нейромережеву версію — Deep CCA (DCCA).
Проте всі наявні методи мали суттєвий недолік: вони фокусувалися виключно на максимізації кореляції між даними всередині самої формули оптимізації, що часто відволікало нейромережу від виконання головного інженерного завдання.
Китайські та німецькі вчені перевернули цей підхід, зробивши канонічну кореляцію не основою формули, а її обмеженням (constraint).
«На відміну від лінійного CCA, KCCA та глибокого DCCA, у нашому методі оптимізація не обмежена лише пошуком максимального взаємозв'язку, - пояснює професор Чживень Чень. - Ми перетворили кореляцію на орієнтир. Це дозволяє AI зберігати здатність знаходити спільні риси у різних потоках даних, але концентруватися саме на кінцевому інженерному завданні - реконструкції, класифікації чи прогнозуванні».
Крім того, щоб очистити дані від зайвого «шуму», автори розробили унікальний фільтр надликовості з нульовою кількістю параметрів навчання, що не обтяжує обчислювальні потужності системи.
Ефективність архітектури CCDNN перевірили на класичному дата-сеті MNIST та в умовах реального виробництва.
При реконструкції зображень порівняно з алгоритмом DCCA, показники середньоквадратичної помилки (MSE) та середньої абсолютної помилки (MAE) знизилися на 0,43 та 0,42 відповідно, що свідчить про значно вищу точність відновлення інформації.
У завданнях із виявлення дефектів та прогнозування залишкового терміну корисної служби обладнання система CCDNN повністю перевершила всі наявні комерційні аналоги.
Архітектура CCDNN має надзвичайну гнучкість, адже вона здатна працювати з гетерогенними (різнорідними) структурами даних. Наприклад, на реальному заводі AI може одночасно аналізувати потік зображень із камер спостереження (перше джерело) та часові ряди показників датчиків тиску чи вібрації (друге джерело), миттєво видаючи точний вердикт про стан конвеєра. У майбутньому команда планує дослідити, як правильний підбір конфігурацій DNN може ще сильніше масштабувати цю технологію для конкретних галузей важкої промисловості.
Стратегія охолодження ЦОД для епохи AI
| 0 |
|
