Riassunto analitico
Assicurare la qualità dei biocarburanti è essenziale per la conformità alle normative attuali, le quali definiscono requisiti specifici sulla percentuale di componenti biologici.
A tal proposito questo progetto mira a determinare e a controllare accuratamente tali parametri, garantendo così la conformità.
Progettato per una futura estensione, il sistema proposto può essere applicato a una varietà di fluidi tecnici oltre al biodiesel.
Infatti, integrando sensori multiparametrici con algoritmi di deep learning, si intende proporre un'analisi e una gestione completa dei fluidi tecnici, migliorando pertanto l'adattabilità in diverse applicazioni.
Inoltre, la tecnologia sfrutta reti neurali slimmable e tecniche di quantizzazione per prevedere accuratamente le proprietà fisiche e chimiche delle miscele di biodiesel in tempo reale.
Le tecniche di training slimmable permettono al modello di regolare dinamicamente la propria larghezza, combinando flessibilità ed efficienza in diversi ambienti reali con potenza di calcolo limitata.
I metodi di quantizzazione, inclusi Quantization-Aware Training (QAT) e Post-Training Quantization (PTQ), sono applicati per ridurre l'uso di memoria e migliorare la velocità di inferenza senza compromettere significativamente le prestazioni del modello.
Attraverso molteplici esperimenti, lo studio dimostra che la combinazione di reti slimmable con la quantizzazione riduce significativamente i requisiti computazionali senza deteriorare l'accuratezza delle previsioni.
|
Abstract
Ensuring the quality of biofuels is essential for compliance with current regulations, which define specific requirements on the percentage of biological components.
This project aims to accurately determine and control these parameters, thereby guaranteeing conformity.
Designed with extensibility in mind, the proposed system can be applied to a variety of technical fluids beyond biodiesel.
In fact, by integrating multiparametric sensors with deep learning algorithms, the approach aims to facilitate comprehensive analysis and management of technical fluids, thus enhancing adaptability across different applications.
Furthermore, the technology leverages slimmable neural networks and quantization techniques to allow dynamically adjustable models, combining flexibility with efficiency in
varying real-world environments with restrained computation.
Quantization methods, including Quantization-Aware Training (QAT) and Post-Training Quantization (PTQ), are applied to reduce memory usage and enhance inference speed without significantly compromising model performance.
Through comprehensive experiments, this study demonstrates that combining slimmable networks with quantization significantly relieves computational requirements without deteriorating prediction accuracy.
|
