Проблема статичных моделей телеметрии
Современные центры обработки данных и вычислительные узлы требуют гибких цифровых двойников. Традиционные подходы машинного обучения для HPC (High Performance Computing) опираются на статичный набор анонимных переменных датчиков с фиксированными позициями. Это приводит к тому, что модели быстро устаревают: при изменении целевых задач или метрик датчиков требуется полная переобучение архитектуры. SeT-Diff, представленная в работе от 11 мая 2026 года, предлагает решение, разделяющее динамику системы и структуру набора данных.
Семантическая условная диффузия
Ключевое отличие SeT-Diff заключается в использовании семантических описаний каждого датчика для условной генерации. Вместо того чтобы жестко привязываться к физическим портам или индексам сенсоров, модель понимает их функциональное назначение. Это обеспечивает zero-shot permutation stability — способность сохранять точность даже при случайном перемешивании входных данных датчиков. Такая архитектура делает модель универсальной для различных конфигураций вычислительных узлов.
Результаты на реальных данных суперкомпьютера
Эксперименты проводились на реальных данных суперкомпьютера. Модель демонстрирует выдающиеся результаты в задачах реконструкции временных рядов и виртуального сенсинга. Ниже приведены ключевые метрики эффективности SeT-Diff:
| Задача | Метрика (MAE) | Значение |
|---|---|---|
| Реконструкция данных | MAE | 0.0470 |
| Тепловой инференс (Virtual Sensing) | MAE | 0.033 |
| Импутация пропущенных данных | Эффективность | Высокая (в рамках единой модели) |
Универсальность: одна модель — три задачи
SeT-Diff не требует отдельных моделей для разных целей. Один предварительно обученный фундаментальный модельный подход выполняет три критически важные функции:
- Импутация данных (Data Imputation): Восстановление пропущенных значений телеметрии.
- Прогнозирование (Forecasting): Предсказание будущих состояний системы.
- Виртуальный сенсинг (Virtual Sensing): Оценка параметров, которые невозможно измерить напрямую (например, точная температура компонентов на основе косвенных метрик), с ошибкой всего 0.033 MAE.
Работа авторов (Giovanni B. Esposito, Francesco Antici, Daniele Cesarini, Andrea Bartolini) открывает путь к созданию адаптивных цифровых двойников, которые не зависят от жесткой аппаратной конфигурации, а опираются на семантику данных.
Источник: arXiv cs.AI ↗