IDC预测从2021年到2027年, 作为数字孪生模型的新实物资产和流程的数量将从5%增加到60% . 尽管将资产行为的关键要素数字化并不是一个全新的概念, 该技术的各个方面的能力——从精确传感到实时计算，再到从大量数据中改进的见解提取——都在使机器和操作系统更加优化，并有助于加快规模和上市时间. In addition, 启用AI/ML(人工智能/机器学习)模型将有助于提高流程效率, 减少沙巴体育结算平台错误，提供卓越的整体设备效率(OEE).
一旦我们理解了这些要求的挑战和复杂性, 我们将开始意识到内存和存储对于实现数字孪生是多么重要.
提取正确的数据是第一个挑战
设计数字双胞胎不仅仅是对物理特征的孤立感知. 它也是针对外部和内部子系统之间的交互进行建模的能力. For example, 感应发电机振动的谐波轮廓，还可以让我们了解该图像如何与电机的物理特性相关联, bearings, belts, 以及对这种互动的影响. 如果有人真的想制造一台机器的“数字双胞胎”, 简单地在它周围安装传感器，而没有任何价值的相互依赖感，是不会给出一个准确的“双胞胎”的。.
考虑到在已经运行的机器上添加新的传感器并不那么简单，布朗菲尔德的采用也使这变得复杂. In fact, 概念验证的第一步是添加一个DIY或嵌入式板，这些板具有最小的接口来支持传感器到云的数据转换. 添加连接性是一回事, 但实际的建模完全不同，你需要能够存储动态数据并将其与训练过的模型进行比较. Moreover, 考虑到您想要建模的数十或数百种类型的系统，这种方法当然不是最具可伸缩性的解决方案.
计算将不断发展
内置CNN(卷积神经网络)加速器的新处理器架构是实现更快推理计算的良好开端. 这些设备不仅可以接收模拟信号，还可以进行处理, in-device, 并过滤掉数据的噪声，并允许与模型相关的值. 这些都是为智能端点量身定制的，具有GFLOPS(每秒千兆次浮点运算)范围内的并行运算，大约小于20 TOPS(每秒兆次运算)。.
Lower cost, 低功耗gpu也很关键，因为它们提供了基于硬件的机器学习计算引擎，本质上更加敏捷, 并为更高的OPS(每秒操作数)提供计算能力. 业界看到边缘专用gpu的实现低于100 TOPS或超过200+ TOPS的更多基础设施类gpu.
低功耗DRAM存储器是人工智能加速解决方案的理想选择
As you can imagine, 根据体系结构的不同，带加速器的多核通用cpu可能需要x16的内存宽度, x32 bits, 而高端gpu可能需要高达x256位宽度的IO.
直接的问题是，如果您要将千兆字节的数据移到或移出外部内存进行计算, 您将需要内存提供更高的总线宽度性能. 下表显示了基于int8 TOPS要求的内存接口的性能要求.
内存通过不断发展新的标准来跟上人工智能加速解决方案的步伐. For example, LPDDR4/x(低功耗DDR4 DRAM)和LPDDR5/x(低功耗DDR5 DRAM)解决方案比以前的技术有显著的性能改进.
LPDDR4最多可以运行4个.2gbps和支持高达x64总线宽度. 与LPDDR4相比，LPDDR5x的性能提高了50%，性能提高了8倍.5Gbps. 此外，LPDDR5的功率效率比LPDDR4X高20%. 这些都是重大的发展，将提高整体性能，并将与最新的处理器技术相匹配.
嵌入式存储遵循机器学习的复杂性
仅仅认为计算资源受到处理单元的原始top的限制是不够的, 或者内存架构的带宽. 随着机器学习模型变得越来越复杂, 模型参数的数量呈指数增长2 as well.
机器学习模型和数据集扩展以获得更好的模型效率，因此也需要更高性能的嵌入式存储. 典型的托管NAND解决方案，如eMMC 5.1 with 3.2Gb/s对于代码上传和远程数据存储来说都是理想的. 较新的技术，如UFS接口可以运行7x到23.2gb /s，允许更复杂的模型.
这些嵌入式存储技术也是机器学习资源链的一部分.
启用具有正确记忆的数字孪生
业界都知道，边缘终端和设备将产生数兆字节的数据, 不仅仅是因为它的忠诚, 但摄取数据的需求将有助于改进数字模型——这正是数字双胞胎所需要的.
In addition, 代码需要扩展，不仅仅是为了管理数据流, 还包括边缘计算平台的基础设施，以及添加XaaS(即服务)业务模型.
数字孪生技术具有巨大的潜力. 但如果你做一个“双胞胎”模型，也就是只模仿一张脸的一个“鼻子”或“眼睛”, 如果没有完整的面部图像，很难确定这是否是你的双胞胎. So, 下次你想说数字双胞胎的时候, 要知道有很多考虑因素，包括监控什么, 以及这将需要多少计算内存和数据存储. Micron, 作为工业存储解决方案的领导者, 提供广泛的嵌入式内存，包括我们基于1-alpha技术的LPDDR4/x和LPDDR5/x解决方案，用于快速AI计算, 我们的176层NAND技术嵌入到我们的eMMC和UFS存储解决方案中. 这些内存和存储技术将是满足您所需的计算需求的关键.
1 IDC FutureScape, 2021
2 “机器学习中的参数计数(《沙巴体育结算平台》，2021年)
