강력한 시각 이미지 분석을 위한 합성곱 신경망(convolutional neural networks, CNNs)은 인공지능 분야에서 점차 인기를 얻고 있다. 다른 인공 신경망과 비교했을 때 CNN의 주요 차이점은 영상 분류에 필요한 특성 맵(feature map)을 추출함으로써 시각 이미지 분석 성능을 향상시키기 위해 다수의 합성곱 층이 추가된다는 점이다. 그러나 제한된 처리 자원을 갖춘 엣지 컴퓨팅 모듈에서 저지연이 요구되는 응용을 실행하기 위해서는 알고리즘 최적화가 필요하다. 본 논문에서는 연속 미분 이미지(continuous differential images)를 활용하여 빠른 CNN을 위한 새로운 알고리즘 최적화 방법을 제안한다. 핵심 아이디어는 각 합성곱 층에서 입력의 미분 값(differential value)을 사용하여 연산을 변동적으로 감소시키는 것이다. 또한 제안 방법은 모든 유형의 CNN과 호환되며, 연속 이미지의 픽셀 값 차이가 낮을수록 성능이 더 우수하다. 우리는 DarkNet 프레임워크를 사용하여 클러스터링된 시스템에서 빠른 합성곱(fast convolution) 및 반(half) 합성곱(half convolution) 접근법으로 알고리즘을 평가하였다. 그 결과, 입력 프레임 속도가 10 fps일 때 FLOPs는 원래의 YOLOv7-tiny에 비해 약 4.92배 감소하였다. 합성곱 층의 FLOPs를 줄임으로써 추론 속도는 약 4.86 FPS로 향상되었으며, 이는 원래 YOLOv7-tiny에 비해 1.57배 더 빠른 속도이다. 반 합성곱 접근법을 위해 엣지 컴퓨팅 모듈 2개를 사용한 병렬 처리의 경우 FLOPs는 더 크게 감소하였고 응답 속도도 향상되었다. 더 나아가 확장 가능한 클러스터드 임베디드 시스템에서 최대 7개의 컴퓨트 모듈까지 사용자 원하는 만큼 추가로 확장함으로써, 더 빠른 객체 검출 구현이 가능하다.

스마트 공장은 다양한 what-if 생산 시나리오의 성능을 평가하기 위해 디지털 트윈(DT)을 관리한다. 본 논문은 물리적 제조 공장에서 감지되는 각 시간 제한 사건이 실시간에서 해당 DT 기반 추정치 아래에 있는지를 점검함으로써, DT를 높은 충실도로 유지하기 위한 DT 일관성 검증 접근법을 제시한다. 본 접근법은 시간 색칠 페트리 넷(time colored Petri net, TCPN)을 사용하여 개발된 DT를 대상으로 한다. 관측 가능한 시간적 여유를 포함한 다음 관측 가능 사건의 후보를 구성하기 위해, 새 주문에 의해 유발되는 잦은 외부 작동, 기계 유지보수 등과 같은 공장의 확률적 특성뿐 아니라, 감지 가능한 사건에 도달하는 중간의 관측 불가능 상태 전이도 고려하였다. 이러한 고려를 바탕으로, 효율적으로 진화된 상태-클래스 그래프(state-class graph, SCG)를 사용하여 스트리밍되는 물리적 사건에 대한 가상 추정치를 구축하는 반복적 방법을 제안한다. 또한 SCG 진화를 가속하고, 진단되는 비일관 서브넷의 분리를 지원함으로써 DT 유지보수를 보다 용이하게 하는 TCPN 분할 방법도 제안한다. 본 접근법을 USB 플래시 드라이브 공장에 적용하여 개념을 입증하였으며, 추정의 핵심 오버헤드인 SCG 진화의 속도 향상을 다양한 상황에서 평가하였다.