美光內存與存儲是實現數字孿生的理想之選

據 IDC 預測，從 2021 年到 2027 年，作為數字孿生的新型物理資產和流程建模的數量將從 5% 增加到 60%。盡管將資產行為中的關鍵要素數字化并非一種全新概念，但數字孿生技術從精確傳感到實時計算，再到將海量數據轉為深度洞察，從多方面進一步推動了設備和運營系統優化，從而實現擴大規模并縮短產品上市時間。此外，啟用人工智能/機器學習 (AI/ML) 模型將有助于提高流程效率、減少產品缺陷，實現出色的整體設備效率 (OEE)。

當我們了解了上述需求的復雜性和面臨的挑戰，就能意識到內存與存儲對于實現數字孿生至關重要。

首要挑戰 — 如何提取恰當的數據

創建數字孿生不僅是對物理特性的單向感知，還包括對內外子系統交互進行建模。例如，感知發電機振動的諧波輪廓有助于人們深入理解孿生圖像如何與電機、軸承、皮帶的物理特性相關聯，及其相互作用產生的影響。如果人們想為一臺機器創建“數字孿生”，僅通過在它周圍安裝傳感器，而忽視其子系統之間的相互依存，將無法得到真正意義上的“孿生”。

為現有系統創建數字孿生則更加復雜，因為在已運行的機器上添加新傳感器并非易事。實際上，概念驗證的第一步是添加一個擁有極少接口的 DIY 或嵌入式電路板，以支持從傳感器到云的數據轉換。添加連接部分相對簡單，而實際建模卻非常復雜，需要存儲動態數據并將其與訓練好的模型進行對比。不僅如此，由于有數十甚至數百種系統需要建模，該方法并不是最具可擴展性的解決方案。

計算將持續演進

內置于卷積神經網絡 (CNN) 加速器的新處理器架構是實現更快推理計算的良好開端。這些設備不僅可以接收模擬信號，還能在設備內部處理和過濾數據噪聲，僅保留與模型相關的值。這些特性為智能端點量身定制，其并行操作性能可達 GFLOPS（每秒十億浮點運算）量級，略低于 20 TOPS（每秒萬億次運算）。

低成本、低功耗的 GPU 也十分重要。它們提供了基于硬件的機器學習計算引擎，運行更敏捷，計算性能更強大，可實現更高的 OPS（每秒操作次數）。業界目前已有專為邊緣設備設計的 GPU，其操作次數低于 100 TOPS，以及更多基礎設施級別的 GPU，操作次數高于 200+ TOPS。

低功耗 DRAM 內存是 AI 加速解決方案的理想之選

顯而易見，由于架構不同，配備加速器的多核通用 CPU 可能需要 x16 或 x32 位內存寬度，而高端 GPU 則可能需要高達 x256 位內存寬度的 IO。

如果在計算時將 GB 級數據移入或導出至外部內存，就需要內存擁有更高的總線帶寬性能。下表顯示了對內存接口的性能要求（基于 INT 8 TOPS 要求）。

伴隨不斷推出的新標準，內存性能也在持續提升以滿足 AI 加速解決方案的要求。例如，LPDDR4/x（低功耗 DDR4 DRAM）和 LPDDR5/x（低功耗 DDR5 DRAM）解決方案的性能較前代技術相比有了顯著提升。

LPDDR4 的傳輸速率高達 4.2 Gbps 且支持 x64 的總線帶寬。LPDDR5x 的性能與 LPDDR4 相比提高了 50%，且傳輸速率翻倍，可達 8.5 Gbps。此外，LPDDR5 的能效相比 LPDDR4X 也提高了 20%。這些顯著進步有助于提升內存整體性能，以匹配前沿的處理器技術。

嵌入式存儲可支持復雜的機器學習

計算資源不僅受到處理單元原始 TOPs 和內存架構帶寬的限制。隨著機器學習模型越來越復雜，模型參數數量正以指數級速度增長²。

為了提高模型效率，機器學習模型和數據集不斷擴張，因此需要更高性能的嵌入式存儲。典型的托管型 NAND 解決方案（例如 3.2Gb/s 的 eMMC 5.1）不僅是代碼讀取的理想之選，也適用于遠程數據存儲。新興技術（如 UFS 接口）的出現使存儲性能提升了 7 倍 ，可實現 23.2 Gb/s 的傳輸速率，能夠支持更復雜的模型。

這些嵌入式存儲技術也是機器學習資源鏈的組成部分。

選擇合適內存，助力數字孿生

眾所周知，邊緣端點和設備將產生 TB 級數據，這不僅因為數據本身具有保真度，還因為接入數據能幫助改進數字模型——這正是實現數字孿生所需要的。

此外，應用代碼也需擴展以管理數據流和邊緣計算平臺基礎設施，同時增加 XaaS（即服務）業務模型。

數字孿生技術擁有廣闊的發展前景，但如果只針對“鼻子”或“眼睛”等局部構建“孿生”，就缺乏完整的“面部圖像”，也就很難確定這是否是真正意義上的“孿生”。因此，未來在談及數字孿生時需要考慮多重因素，包括監測對象與所需的計算內存和數據存儲。美光作為工業內存解決方案領域的前沿廠商，提供了廣泛的嵌入式內存產品，包括基于 1-alpha 技術以用于快速 AI 計算的 LPDDR4/x 和 LPDDR5/x 、集成在 eMMC 中的 176 層 NAND 技術，以及支持 UFS 的存儲解決方案。這些重要的內存與存儲技術將助力美光滿足您的計算需求。

1 IDC FutureScape，2021 年

2 “機器學習中的參數個數”(Toward Data Science)，2021 年

作者：Wil Florentino——Wil Florentino 擔任美光工業市場業務部門高級市場營銷經理，負責提供與市場相關的洞察與專業見解，例如工業物聯網（IIoT）和工業邊緣計算，以支持新產品路線圖中的內存解決方案。Florentino 先生在嵌入式半導體技術領域（SoC、FPGA、微控制器和內存）擁有超過 20 年的工作經驗，主攻工業應用。