EPIC: Hardware- und Physik-gestützte ML senkt Latenz und Energie bei Seismik

Forscher haben EPIC vorgestellt, ein verteiltes Framework für wissenschaftliches maschinelles Lernen, das die Grenzen zentraler Systeme überwindet. Durch die Kombination von Hardware‑Effizienz und physikbasierter Modellierung ermöglicht EPIC die Verarbeitung von Daten direkt an den Endgeräten, ohne dass große Datenmengen an einen zentralen Knoten gesendet werden müssen.

EPIC nutzt leichte lokale Kodierung auf den Endgeräten und eine physik‑bewusste Dekodierung am zentralen Knoten. Statt roher Messdaten werden kompakte latente Merkmale übertragen, während Cross‑Attention die Kopplung zwischen den Empfängern erfasst. Diese Architektur reduziert die Kommunikationskosten erheblich und erhält gleichzeitig die physikalische Integrität der Daten.

In einer Testumgebung mit fünf Endgeräten und einem zentralen Knoten sowie zehn Datensätzen aus OpenFWI konnte EPIC die Latenz um das 8,9‑fache senken, den Energieverbrauch um das 33,8‑fache reduzieren und die Rekonstruktionsgenauigkeit bei acht von zehn Datensätzen sogar verbessern. Diese Ergebnisse zeigen, dass verteiltes, hardware‑ und physik‑co‑guidiertes maschinelles Lernen ein vielversprechender Ansatz für ressourcenbeschränkte, großflächige Anwendungen ist.