Design of Distributed Discrete-Event Simulation Systems Using Deep Belief Networks

Abstract

In this research study, we investigate the ability of deep learning neural networks to provide a mapping between features of a parallel distributed discrete-event simulation (PDDES) system (software and hardware) to a time synchronization scheme to optimize speedup performance. We use deep belief networks (DBNs). DBNs, which due to their multiple layers with feature detectors at the lower layers and a supervised scheme at the higher layers, can provide nonlinear mappings. The mapping mechanism works by considering simulation constructs, hardware, and software intricacies such as simulation objects, concurrency, iterations, routines, and messaging rates with a particular importance level based on a cognitive approach. The result of the mapping is a synchronization scheme such as breathing time buckets, breathing time warp, and time warp to optimize speedup. The simulation-optimization technique outlined in this research study is unique. This new methodology could be realized within the current parallel and distributed simulation modeling systems to enhance performance

En este estudio de investigación, investigamos la capacidad de las redes neuronales de aprendizaje profundo para proporcionar un mapeo entre las características de un sistema (software y hardware) de simulación de eventos discretos distribuidos en paralelo (PDDES) a un esquema de sincronización de tiempo para optimizar el rendimiento de aceleración. Utilizamos redes de creencias profundas (DBN). Las DBN, que debido a sus múltiples capas con detectores de características en las capas inferiores y un esquema supervisado en las capas superiores, pueden proporcionar mapeos no lineales. El mecanismo de mapeo funciona al considerar las construcciones de simulación, las complejidades del hardware y el software, como los objetos de simulación, la concurrencia, las iteraciones, las rutinas y las tasas de mensajería con un nivel de importancia particular basado en un enfoque cognitivo. El resultado del mapeo es un esquema de sincronización, como cubos de tiempo de respiración, deformación de tiempo de respiración y deformación de tiempo para optimizar la aceleración. La técnica de simulación-optimización descrita en este estudio de investigación es única. Esta nueva metodología podría implementarse dentro de los actuales sistemas de modelado de simulación distribuida y paralela para mejorar el rendimiento.