互联需求的剧增导致物联网(IoT)传感器过量。为了满足大规模网络的管理需求,如准确的监测和学习能力,数字孪生是关键驱动因素。然而,由于物联网网络的连续连接要求,目前对数字孪生的实施尝试仍然不足。为了应对这些挑战,我们提出了一种数字孪生本地 AI 驱动的服务架构,以支持物联网网络概念。在提出的数字孪生本地架构中,我们实现了基于 TCP 的数据流水线和基于强化学习的学习模型。我们将该架构应用于物联网网络的一个广泛概念,即车联网。我们测量了我们提出的架构的效率,并注意到由于基于 TCP 的数据流水线而节约了约 30%的处理时间。此外,我们通过应用多种学习速率组合来测试学习模型的性能,并强调最成功的模型。
Nov, 2023
在技术时代,数据是一种越来越重要的资源。本文介绍了使用树莓派开发的联邦学习(FL)解决方案原型,通过测试其性能和可用性证明了这些技术的可行性,尽管在许多情况下它们没有达到传统方法的性能水平。
数字孪生、Society 5.0、互联网联合数字孪生、分层架构和 IoFDT 平台是本文的关键词,该文讨论了如何实现 IoFDT 概念,挑战和创新解决方案,并强调了一个统一的 IoFDT 平台的重要性与实际应用。
Dec, 2023
该研究介绍了数字孪生技术在智能制造业中的功能方面和创新应用,并对 NextG 无线技术、数据分析和边缘云计算等进行了全面的综述和反思,同时讨论数字孪生在不同工业通信层的部署策略,总结了相关的关键问题和未来研究方向。
Aug, 2021
本文介绍了数字孪生无线网络(DTWN),并在其中运行了一种基于区块链的联邦学习框架,以协作式计算提高系统的可靠性和安全性并提高数据隐私,并通过多智能体强化学习找到了最优解。
Nov, 2020
近年来,神经科学和人工智能的进展为理解大脑的复杂性以及计算系统对其的模拟提供了前所未有的机会。本文中,我们提出数字孪生大脑(DTB)作为一个桥梁,将生物学和人工智能连接起来。DTB 由大脑结构、底层模型和广泛应用构成。关键是,脑图谱为 DTB 内的大脑网络组织提供了重要约束。此外,我们强调了跨学科领域的联合努力所带来的开放问题,并强调了 DTB 的深远影响。DTB 能够提供对智能和神经系统疾病形成的前所未有的洞察力,这对于推进我们对生物学和人工智能的理解,进一步推动人工通用智能的发展,以及促进精确的精神卫生保健具有重大的潜力。
Aug, 2023
数字孪生网络在网络编排、资源管理和人工智能模型训练及智能推理等方面具有重要作用,是实现 6G 网络的关键技术之一。本文探讨数字孪生网络与人工智能相互促进的机制,并为探索数字孪生网络与人工智能的未来研究方向提供参考。
Sep, 2022
本研究提出了一种数字孪生的工业物联网新架构,通过可信的协作聚合机制,自适应地控制分布式学习频率并异步聚类,来提高学习性能,从而优化其工业 4.0 的应用效果。
Oct, 2020
研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题,并且实验结果表明,在使用预先训练的初始全局模型的情况下,相比随机初始化的全局模型,模型性能提高了 20% 以上(F1 得分)
Jun, 2023
本研究是一项关于边缘设备上联合学习技术在物联网(IoT)应用中的综合调研,探索并分析 FL 在 IoT 数据共享、攻击检测、安全、智慧医疗,智能交通,无人机,智慧城市,智慧工业等应用领域中的潜力,并总结了可借鉴的经验教训和当前的挑战与未来研究方向。
Apr, 2021