摘要

本文介绍了一种名为Function+Data Flow (FDF)的领域特定语言(DSL)，旨在简化数字孪生(DT)中机器学习(ML)管道的描述和验证。数字孪生技术在物理系统的开发中越来越依赖于人工智能，特别是在数据源的整合和计算效率高的降维模型创建方面。尽管数字孪生在不同应用领域中采用了类似的技术，如模型阶数减少和混合数据模型化，但当前的开发实践往往是临时的，使得设计AI管道变得复杂且耗时。FDF通过将函数视为一等公民，使得学习到的模型能够被有效操作，从而简化了数字孪生的设计和验证过程。本文通过两个不同领域的具体案例——结构塑性应变预测和电磁轴承行为建模——展示了FDF的优势。

原理

FDF的核心创新在于将函数作为数据流的一部分，这使得在ML管道中可以灵活地操作和重用这些函数。FDF通过扩展传统的数据流，引入了函数流的概念，允许用户在学习函数（如如何将数据投影到PCA降维基）和使用函数（实际将数据投影到降维基）之间进行解耦。此外，FDF允许模型被显式操作，从而可以根据需要使用和重用这些模型。自动类型推断功能进一步增强了FDF的实用性，它允许在管道中自动推断和跟踪每个函数的数据类型，从而提供隐式类型检查，帮助用户避免潜在的不兼容性和错误。

流程

FDF的工作流程通过定义一系列的“盒子”来表示不同的处理步骤，每个盒子有多个输入和输出端口。这些盒子包括处理器、编码器和训练器，分别用于数据处理、学习降维基和监督学习。每个盒子通过不同的多边形形状在视觉上进行区分。FDF管道通过有向无环图(DAG)来定义执行顺序，确保每个盒子在其所有直接前驱盒子执行完毕后才能执行。这种设计使得FDF能够直观地描述数据流，同时保持灵活性和可定制性。

应用

FDF的提出为数字孪生中的ML管道设计提供了一个灵活且强大的工具，适用于各种复杂的物理系统，如智能电网、智能制造和航空领域。通过简化ML管道的设计和验证过程，FDF有望加速数字孪生技术在工业界的应用，特别是在需要高度定制化和实时更新的场景中。未来，FDF还可以扩展以支持控制应用和在线学习，进一步增强其在数字孪生领域的应用潜力。