利用适当的内存策略实现数字孪生

据 IDC 预测，从 2021 年到 2027 年，针对新型物理资产和流程的数字孪生建模数量比例将从 5% 增加到 60%。尽管将资产行为中的关键要素数字化不是什么新鲜概念，但该技术涉及多方面能力，如精确传感、实时计算以及如何更有效地从海量数据中获取洞察等，以使机器和运营系统更加优化，并帮助加快扩大规模，加快上市速度。此外，对人工智能/机器学习（AI/ML）模型的支持将有助于提高流程效率、减少产品差错，并能够提供出色的整体设备效率（OEE）。

满足上述所有技术要求是一件十分困难且复杂的事情。理解了这一点，我们便不难想到，内存和存储对于实现数字孪生至关重要。

第一项挑战：提取恰当的数据

数字孪生的设计不仅仅涉及对物理特征的单独感测，还需要能够建立外部和内部子系统之间相互作用的模型。例如，针对发电机振动的谐波剖面进行的感测不仅需要得出相关图像，还应该帮助人们深入理解该图像与电机、轴承、皮带的物理特性之间的关联性，以及对这种相互作用的影响。在针对某台机器打造真正的“数字孪生”时，如果只是在它周围安装一些传感器，而完全没有意识到子系统之间互相依赖的重要性，将无法得到精确的“孪生”。

为已有系统构建数字孪生将更为复杂，在运行多年的机器上添加新传感器并非易事。事实上，概念验证的第一步是添加自己手工制作的电路板或嵌入式电路板，这些电路板仅提供最少的接口，支持从传感器到云的数据转换。添加连接板相对比较简单，实际的建模工作则非常复杂，首先需要存储动态数据，然后将这些数据与经过训练的模型进行比较。此外，考虑到可能要为数十种或数百种类型的系统进行建模，这种方法肯定不是最具可扩展性的解决方案。

与“计算”相关的架构和硬件将不断演进

内置卷积神经网络（CNN）加速器的新处理器架构出现后，加快了推理计算。这些设备不仅可以接收模拟信号，还可以在设备内部进行处理，滤除数据噪声，仅保留与模型相关的值。这些特性专为智能端点量身定制，其并行操作性能可达 GFLOPS（每秒十亿浮点数运算）量级，略低于 20 TOPS（每秒万亿次运算）。

低成本、低功耗的 GPU 也非常重要。它们提供了基于硬件的机器学习计算引擎，这些引擎的设计更加敏捷，计算能力强劲，可实现更高的 OPS（每秒操作数）。已在现实中应用的此类 GPU 包括低于 100 TOPS 的边缘专用 GPU，以及更多的基础设施级别 GPU（高于 200+ TOPS）。

低功耗 DRAM 内存是 AI 加速解决方案的理想选择

为实现上述计算性能，处理器需要足够大的 IO 位宽，这一点应该很容易理解。带有加速器的多核通用 CPU 可能需要 x16、x32 位的内存位宽，而更高端的 GPU 可能需要高达 x256 位的 IO 位宽，具体位宽要求与架构有关。

由此带来的一个直接问题是，如果在计算时需要将千兆字节量级的数据移入或移出外部内存，那么内存必须具有更高的总线带宽性能。下表显示了对于内存接口的性能要求（基于 INT 8 TOPS 要求）。

随着新标准的不断推出，内存性能持续提升，以满足 AI 加速解决方案越来越高的要求。例如，相比之前的技术，LPDDR4/x（低功耗 DDR4 DRAM）和 LPDDR5/x（低功耗 DDR5 DRAM）解决方案的性能有了显著提升。

LPDDR4 的传输速率高达 4.2 Gbps，并支持高达 x64 的总线位宽。与 LPDDR4 相比，LPDDR5x 的性能提高了 50%，传输速率翻了一番，达到 8.5 Gbps。此外，LPDDR5 的能效相比 LPDDR4X 高 20%。这些重大进步有助于提高整体性能，并使内存的性能与最新的处理器技术相得益彰。

嵌入式存储可应对机器学习的复杂性

计算资源面临的限制不止有处理单元的原始 TOP 或内存架构的带宽。随着机器学习模型变得愈加复杂，模型的参数数量正在呈指数级增长之势²。

为了实现更高的模型效率，机器学习模型和数据集正在不断扩张，因此还需要拥有更高性能的嵌入式存储。典型的托管型 NAND 解决方案（例如速率高达 3.2Gb/s 的 eMMC 5.1）是代码调出的理想选择，同时也适用于远程数据存储。UFS 接口等较新的技术可将性能提升至原有技术的 7 倍（23.2 Gb/s），能够支持更复杂的模型。

这些嵌入式存储技术也是机器学习相关资源链的一部分。

选择适合数字孪生的内存解决方案

工业应用中的边缘端点和设备将产生 TB 量级的数据，这是因为，除了要确保保真度之外，还包括通过摄取数据来帮助改进数字模型，而这些正是数字孪生的需求。

此外，应用的代码也需要不断增加，以管理数据流和边缘计算平台依赖的基础设施，以及添加 XaaS（即服务）业务模型。

数字孪生技术发展前景广阔。但是，如果只构建了部分“孪生体”，例如只针对“鼻子”或“眼睛”进行了建模，缺乏完整的面部图像，就很难确定这是不是真正的“孪生体”。所以，在以后讨论数字孪生时，一定要意识到该过程有很多要考虑的因素，包括要监控哪些元素，以及所需要的计算内存和数据存储。作为工业内存解决方案的领导厂商，美光提供广泛的嵌入式内存产品，包括基于 1-alpha 技术的 LPDDR4/x 和 LPDDR5/x 解决方案（可用于快速 AI 计算）、嵌入到 eMMC 中的 176 层 NAND 技术，以及支持 UFS 的存储解决方案。这些内存和存储技术正是美光满足你的计算需求的关键。