Прогноз неопределенностей для диффузионных моделей устройств

В выпускной квалификационной работе рассмотрен метод калибровки диффузионных моделей при помощи ранней остановки процесса генерации в задаче построения цифрового двойника хранилища данных. Генеративные методы глубинного обучения хорошо проявляют себя в задачах моделирования физических процессов и систем, таких как системы хранения и обработки информации. В этой работе рассматривается диффузионная модель рассеивания шума (DDPM) для решения задачи вероятностного моделирования на примере моделирования производительности системы хранения данных (СХД). Главным фокусом работы служит измерение ошибок вероятностных алгоритмов глубинного машинного обучения. Помимо алгоритма DDPM, работа касается и классических алгоритмов ансамблей решающих деревьев в виде градиентного бустинга. Цель работы ——- при помощи модификации диффузионной модели механизмом ранней остановки добиться большей надёжности полученного цифрового двойника. Результаты работы могут использованы для симуляции производительности высоконагруженных систем без сборки тестовой машины, используя только компьютерные вычисления, что значительно удешевляет и ускоряет разработку этих систем, а также данные модели можно использовать для поиска неисправностей при работе систем. Код всех экспериментов и архитектуры используемых моделей сохранены в репозитории https://github.com/noriginalno/diffusion-diploma. В Дальнейшем можно будет проверить работоспособность алгоритмов на других доменах данных, а также сравнить прочие методы надёжного моделирования с представленным.