Цифровой двойник ИИ: возможности и вызовы от больших языковых моделей к моделям мира

Аннотация

Цифровые двойники, как точные цифровые представления физических систем, эволюционировали от пассивных инструментов моделирования к интеллектуальным и автономным сущностям благодаря интеграции технологий искусственного интеллекта. В данной работе представлен унифицированный четырехэтапный каркас, который систематически описывает интеграцию ИИ на протяжении жизненного цикла цифрового двойника, охватывая моделирование, зеркалирование, вмешательство и автономное управление. Обобщая существующие технологии и практики, мы выделяем унифицированный четырехэтапный каркас, который систематически описывает, как методологии ИИ встраиваются в жизненный цикл цифрового двойника: (1) моделирование физического двойника с помощью подходов, основанных на физике, и подходов, учитывающих физику, с применением ИИ; (2) зеркалирование физической системы в цифровой двойник с синхронизацией в реальном времени; (3) вмешательство в физический двойник посредством предиктивного моделирования, обнаружения аномалий и стратегий оптимизации; и (4) достижение автономного управления с помощью large language models, foundation models и интеллектуальных агентов. Мы приводим углубленный анализ синергии между моделированием, основанным на физике, и обучением, опирающимся на данные, подчеркивая переход от традиционных численных решателей к physics-informed и foundation models для физических систем. Кроме того, мы рассматриваем, как технологии генеративного ИИ, включая large language models и generative world models, превращают цифровые двойники в проактивные и самосовершенствующиеся когнитивные системы, способные к рассуждению, коммуникации и генерации творческих сценариев. Путем обширного обзора по одиннадцати областям применения, таким как здравоохранение, аэрокосмическая отрасль, smart manufacturing, робототехника и smart cities, мы выявляем как универсальные вызовы, включая масштабируемость, объяснимость и заслуживаемость доверия, так и требования, специфичные для конкретных доменов. В данной работе раскрывается, как управляемые ИИ цифровые двойники развиваются в сторону более интеллектуальных, интероперабельных и этически ответственных экосистем, подчеркивая ключевые направления будущих междисциплинарных исследований и разработок.

1 Введение

"Чего я не могу создать, того я не понимаю."

– Ричард Фейнман

Цифровые двойники (DT), как точные цифровые представления физических двойников (реальных объектов или систем), тщательно проектируются для поддержания двунаправленной связи с их реальными системами, позволяя выполнять синхронизацию состояния для мониторинга, прогнозирования, оптимизации и поддержки принятия решений (1). Выходя за рамки простого копирования, цифровые двойники воплощают собой смену парадигмы от статических цифровых отражений к динамическим, непрерывно обучающимся отражениям реальности. Благодаря присущим цифровым двойникам преимуществам прогнозной аналитики, моделирования динамических систем и операционной оптимизации, эта технология широко применяется в здравоохранении (2, 3), биологической области (4, 5), городском планировании и управлении (6, 7), производстве (8, 9) и науке (10, 11, 12, 13). Как заявил основатель и генеральный директор NVIDIA Дженсен Хуанг в пленарном выступлении на берлинском саммите инициативы Earth Virtualization Engines, AI и ускоренные вычисления изменят наше понимание сложных систем (14), знаменуя новую эру, в которой цифровые двойники развиваются от аналитических инструментов в интеллектуальных агентов, которые учатся, прогнозируют и действуют в физическом мире.

Технически цифровой двойник работает за счет интеграции всесторонних данных датчиков с изучаемого объекта, например ветряной турбины, где датчики стратегически размещены для мониторинга ключевых показателей эффективности, включая выработку энергии, температуру и погодные условия. Эти данные непрерывно передаются в систему обработки, которая применяет их к виртуальной копии физического объекта. Используя эту актуальную цифровую модель, можно проводить различные симуляции для анализа проблем с производительностью и разработки потенциальных улучшений. Конечная цель этого процесса — извлечь осмысленные знания из симуляций, которые затем можно применить для улучшения реального объекта, оптимизируя его эффективность и функциональность. Более знакомый пример цифрового двойника — Google Map, который объединяет спутниковые снимки, данные GPS и данные о текущем трафике, чтобы поддерживать постоянно обновляемое зеркальное отражение физического мира (15). Этот непрерывный контур обратной связи между сенсорным восприятием, моделированием и адаптацией формирует концептуальную основу AI-driven цифровых двойников — систем, которые не только отражают мир, но и учатся на нем, чтобы направлять реальные действия.

На протяжении многих лет концепция цифровых двойников существенно эволюционировала, все более тесно интегрируясь с прорывами в области искусственного интеллекта (ИИ), чтобы изменить способ, которым мы моделируем и прогнозируем поведение физических систем (16). Цифровые двойники и машинное обучение (ML) тесно связаны между собой, усиливая прогнозное обслуживание и поддержку принятия решений в различных отраслях. Ранние системы опирались на традиционные алгоритмы машинного обучения, чтобы обеспечивать прогнозное обслуживание и обнаружение неисправностей (17, 18). Однако по мере роста объемов данных и усложнения систем на первый план вышло глубокое обучение (DL) как когнитивное ядро цифровых двойников, позволяющее им извлекать сложные спатиотемпоральные закономерности и моделировать комплексную динамику. Архитектуры, такие как свёрточные (19), рекуррентные (20) и графовые нейронные сети (21, 22), позволили цифровым двойникам перейти от моделирования наблюдаемого поведения к рассуждению о ненаблюдаемых механизмах. Эта интеграция знаменует собой фундаментальный переход: ИИ больше не просто компонент внутри цифровых двойников, а интеллект, который приводит их в действие.

⟦Figure 1: AI-driven цифрового двойника: платформа и ландшафт применения. Четырёхстадийный жизненный цикл рассматривает цифровые двойники как развивающиеся интеллектуальные системы: Во-первых, описание мира (физический двойник) с помощью physics-informed AI и наблюдательных данных. Во-вторых, отображение мира во взаимосинхронизированные цифровые симуляторы (цифровой двойник) через generative AI. В-третьих, вмешательство в мир с помощью predictive AI для прогнозирования, диагностики и оптимизации. Наконец, достижение автономного управления миром с помощью agentic AI, поддерживаемого large language models и foundation models. Эта концептуальная рамка обобщается на широкий спектр предметных областей применения.

С наступлением крупномасштабных моделей ИИ и базовых архитектур синергия между ИИ и цифровыми двойниками вступила в беспрецедентную фазу (23, 24). Недавние прорывы, от автономных агентов на базе LLM (25, 26) до world models (27), демонстрируют, как ИИ может имитировать, рассуждать и даже воображать сложные физические системы. Например, используется фреймворк многoагентной системы, который применяет LLM, чтобы автоматизировать параметризацию имитационных моделей процессов в цифровых двойниках (28). Кроме того, NVIDIA Cosmos предоставляет базовую world foundation model, которая генерирует фотореалистичные синтетические среды для симуляций цифровых двойников в робототехнике и автономных системах (29).

Сближение технологий ИИ и цифровых двойников обещает не только повысить точность и отзывчивость этих виртуальных моделей, но и переопределить границу между симуляцией и интеллектом. Дополненные адаптивным обучением и генеративным рассуждением, управляемые ИИ цифровые двойники могут предвосхищать сбои еще до их возникновения, персонализировать вмешательства и автономно управлять сложными системами. Такие возможности предвещают будущее, в котором цифровые двойники будут развиваться в надежных, объяснимых и согласованных с человеком партнёров в науке, промышленности и здравоохранении. (30).

Вследствие этого преобразования возникает острая необходимость консолидировать знания в быстро диверсифицирующемся ландшафте цифровых двойников, работающих на базе ИИ. В данной статье представлен всеобъемлющий обзор технологий цифровых двойников, ориентированный на ИИ. Мы начинаем с прослеживания истории цифровых двойников, чтобы заложить концептуальную основу. Затем мы представляем четырехстадийный жизненный цикл, который упорядочивает, как ИИ наделяет цифровые двойники возможностями: моделирование физического двойника методами, основанными на физике, и интеграцией данных, перенос его в исполняемые симуляторы, вмешательство посредством прогнозирования, обнаружения аномалий и оптимизации, и в конечном итоге достижение автономного управления с помощью large language models и интеллектуальных агентов. Учитывая разнообразные применения цифровых двойников, мы рассмотрим, как технология ИИ усиливает их внедрение в различных областях, таких как здравоохранение, биологические системы и промышленность. Наконец, мы обсудим существующие проблемы и вопросы использования технологии ИИ для цифровых двойников и предложим содержательные рекомендации для будущих направлений исследований.

1.1 Ключевые вклады

Насколько нам известно, данная статья представляет концептуальный синтез, ориентированный на ИИ, цифровых двойников как развивающихся интеллектуальных систем. В отличие от предшествующих обзоров, ориентированных на конкретные предметные области, мы предлагаем унифицированную основу, которая связывает физический, цифровой и когнитивный уровни этой развивающейся парадигмы. Вклад данной статьи суммируется следующим образом.

• ⟦Мы рассматриваем цифровые двойники как развивающиеся системы ИИ, выделяя четырехэтапный жизненный цикл: описание физического двойника, отражение физического двойника в цифровой двойник, вмешательство в физический двойник и автономное управление физическим двойником. Этот многоуровневый взгляд показывает, как ИИ непрерывно повышает точность, интеллектуальность и автономность цифровых двойников.
• ⟦ Мы проводим углубленный анализ интеграции физически обоснованного моделирования и обучения, основанного на данных, подчеркивая переход от традиционных численных методов к физически информированным нейронным сетям, нейронным операторам и базовым моделям для физических систем. Такая синтез-оценка проясняет, как физические принципы и алгоритмы обучения могут совместно улучшать интерпретируемость, обобщаемость и надежность в моделировании цифровых двойников.
• ⟦ Мы анализируем быстрое развитие генеративного ИИ, включая большие языковые модели, модели диффузии и симуляторы миров, и рассматриваем их роль в обеспечении рассуждений, коммуникации и воображения в цифровых двойниках. Эти технологии преобразуют цифровые двойники из пассивных инструментов моделирования в проактивные, самоулучшающиеся когнитивные системы, способные к автономному пониманию и генерации творческих сценариев.
• ⟦ При обширном обзоре в одиннадцати областях применения мы выявляем как универсальные проблемы, такие как масштабируемость, объяснимость и заслуживающая доверия, так и требования, специфичные для конкретной области, включая здравоохранение, аэрокосмическую отрасль, энергетику и образование. Эти наблюдения показывают, как ИИ-ориентированные цифровые двойники развиваются в сторону более интеллектуальных, совместимых и этически ответственных экосистем, подчеркивая ключевые направления для будущих исследований и междисциплинарного сотрудничества.

1.2 Организация

Чтобы провести читателей через это междисциплинарное обобщение, данная работа организована в семь основных разделов. Раздел 2, История цифровых двойников, рассматривает концептуальные истоки и технологическую эволюцию систем цифровых двойников. Разделы 3–6 составляют методологическое ядро этой работы, представляя прогрессивную основу, которая моделирует, зеркалит, вмешивается и автономно управляет физическим миром через его цифровой аналог. В частности, раздел 3, Моделирование физического двойника, описывает, как физические системы представляются с помощью физически основанного и данных-ориентированного моделирования. Раздел 4, Отображение физического двойника в цифровом двойнике, объясняет, как эти модели реализуются и визуализируются в виртуальных симуляторах. Раздел 5, Вмешательство в физический двойник через цифровой двойник, сосредоточен на методах прогнозного моделирования, обнаружения аномалий и оптимизации, которые позволяют принимать решения с участием человека. Раздел 6, Переход к автономному управлению цифровым двойником, развивает эту парадигму в направлении автономности, управляемой ИИ, подчеркивая большие языковые модели, foundation models и интеллектуальных агентов как средства для самоуправляемых цифровых двойников. Наконец, раздел 7, Применения, демонстрирует, как эти методологические принципы применяются в различных областях, таких как здравоохранение, авиакосмическая отрасль, интеллектуальное производство и робототехника, показывая широкое влияние технологий цифровых двойников в реальных системах. Наконец, раздел 8, Открытые задачи и будущие направления, обсуждает ключевые нерешенные проблемы и намечает будущие направления исследований для построения масштабируемых, надежных и автономных систем цифровых двойников.

2 История цифровых двойников

Концепция цифрового двойника была формально представлена в 2002 году Майклом Гривзом во время доклада в Университете Мичигана. Этот доклад подчеркнул создание центра управления жизненным циклом продукта, который интегрировал как реальные, так и виртуальные пространства, а также потоки данных для повышения эффективности и инноваций в разработке и управлении продуктами (31, 32, 33). Хотя терминология, связанная с цифровыми двойниками, со временем менялась, основная идея объединения цифровых и физических двойников оставалась неизменной.

Интересно, практика цифрового двойникования восходит к 1960-м годам, задолго до того, как был введен этот термин. NASA была среди первых, кто применял цифровые двойники, используя базовые формы цифровых двойников для космических миссий. Один примечательный пример — миссия Apollo 13, где симуляции с использованием концепций цифрового двойника сыграли критически важную роль в безопасном возвращении экипажа на Землю (34). Эти ранние применения продемонстрировали потенциал цифровых двойников в повышении эффективности проектирования, обслуживания и эксплуатации в различных отраслях.

Такие компании, как Rolls-Royce, были пионерами в внедрении технологии цифровых двойников. Они использовали цифровые двойники для настройки процессов ремонта узлов двигателей, автоматизируя и оптимизируя практики технического обслуживания на основе конкретных геометрий этих компонентов (35). Аналогично, в аэрокосмической отрасли Boeing применяла цифровые двойники для аккумуляторных систем 787 Dreamliner, чтобы повысить безопасность и более эффективно управлять рисками (36). Airbus также внедрила эту технологию, используя цифровые двойники для своих самолетов A350 XWB, чтобы обеспечить мониторинг эксплуатационных характеристик в реальном времени, что привело к существенным улучшениям топливной эффективности и снижению выбросов (37).

Недавние достижения в технологии цифровых двойников продолжали стимулировать значимые инновации в нескольких отраслях. В производстве, здравоохранении, строительстве, автомобилестроении и городском планировании цифровые двойники становятся незаменимыми инструментами. Например, Tesla использовала цифровые двойники, чтобы ускорить разработку автомобилей, в то время как Mayo Clinic применяла их для продвижения персонализированной медицины (38, 39, 40, 41). Кроме того, архитекторы и городские планировщики используют цифровые двойники, чтобы улучшать управление проектами и развитие городов, объединяя ИИ и IoT для оптимизации использования ресурсов и улучшения результатов.

3 Моделирование физического двойника

В сегодняшнем технологическом ландшафте интеграция Искусственного интеллекта (ИИ) с цифровыми двойниками получает широкое внимание и стимулирует разнообразные применения. Технологии ИИ способны повышать интеллект и автономность цифровых двойников. Например, по сравнению с традиционными методами, основанными на физике, физически-информированная система ИИ может существенно улучшать цифровые двойники во многих аспектах, таких как автоматизация процесса моделирования (42) и повышение вычислительной эффективности (43). Кроме того, обучаясь на данных датчиков физических систем и данных моделирования, ИИ может обеспечивать более эффективные и производительные прогнозы (16) и обнаружение неисправностей (44). Дополнительно, за последние два года генеративный ИИ (45, 46) и Large Language Models (LLMs) (47, 48, 49) существенно повлияли на цифровые двойники, особенно в задачах, связанных с моделированием. Продолжающиеся усовершенствования ИИ продолжают расширять границы того, что могут обеспечивать цифровые двойники, открывая новую эпоху умных, взаимосвязанных систем в различных отраслях.

3.1 Моделирование физической системы

Знания физики давно служат основой для традиционных цифровых двойников (50, 15, 51), обеспечивая важные инструменты для понимания и прогнозирования сложных систем с помощью математических представлений физических законов. Физически-информированная ИИ эффективно устраняет ряд ограничений, присущих традиционным методам, основанным на физике, за счет объединения методов ИИ с физическими знаниями (52, 53, 54). В этом разделе мы рассматриваем физически-ориентированные методы, используемые в цифровых двойниках, подчеркиваем их ограничения и обобщаем новые выводы из недавних моделей физически-информированного ИИ.

⟦Figure 2: Физически обоснованные методы и системы на основе ИИ. (a) Рабочий процесс физически-информированных нейронных сетей (PINNs), встраивающий априорные знания в конвейер обучения посредством регуляризации и доменных ограничений. (b) Архитектура PINNs, включающая данные, PDEs и граничные/начальные условия в единую функцию потерь. (c) Структура Deep Operator Network (DeepONet), моделирующая нелинейные операторы через раздельные ветвевые и магистральные сети. (d) Рамки Fourier Neural Operator (FNO), использующие преобразования Фурье для эффективного обучения операторов решений в задачах PDE.

3.1.1 Фундаментальные физические методы

До появления ИИ исследователи в основном полагались на основанные на физике методы для задач, таких как моделирование, прогнозирование, анализ и управление в цифровых двойниках, при этом вычислительные результаты получали с помощью численных методов. В этом разделе мы представим несколько важных направлений в этих парадигмах, начав с построения Частичных дифференциальных уравнений (ПДУ) (55, 56), затем решая эти ПДУ с помощью численных методов (57, 58), и наконец оценивая ошибку посредством количественной оценки неопределенности (59, 60)⟧.

Частные дифференциальные уравнения (PDE).   Вычислительная физика давно является фундаментальной дисциплиной при создании традиционных симуляций для цифровых двойников, где основное внимание уделяется численным решениям для PDE. Например, при построении симуляторов для явлений жидкостей часто необходимо решать уравнения Навье—Стокса (61). Эти уравнения широко применялись в симуляторах, предназначенных для аэрокосмической сферы (62), летательных аппаратов (57, 58), погоды (63) и нефтепроводов (64), и все они связаны с гидродинамикой. Аналогично, в твердотельной физике и материаловедении уравнения теплопроводности используются для моделирования процесса теплопередачи, а уравнения пластичности — для моделирования изменений напряжений в материалах. Затем эти симуляции применяются при создании виртуальных двойников для архитектуры (65), производства (66) и других отраслей (67, 68, 69). Кроме того, уравнения реакция—диффузия (70) обычно используются для моделирования процессов диффузии веществ или сигналов, таких как биохимические реакции (71) и рост опухолей (72). Эти уравнения играют решающую роль в симуляции цифровых двойников, особенно в здравоохранении и для биологических объектов (73, 74, 75). Помимо описания природных явлений, PDE также часто применяются для моделирования различных социальных явлений. Например, распространение инфекционных заболеваний часто описывают моделью Susceptible-Infectious-Recovered (76); модели транспортного потока используются для представления дорожной обстановки и управления прогнозированием заторов (77). В экономике и финансах инвестиционные стратегии (78) и ценообразование опционов (79) часто описываются соответственно уравнением Гамильтона—Якоби—Беллмана и уравнением Блэка—Шоулза.

Численные методы. Чтобы точно получать численные решения уравнений в вычислительной физике, необходимо выполнить процесс дискретизации. Это делается путем деления области на дискретную сетку и последующего приближения решений в этих узлах сетки (80). На основе этой стратегии были разработаны несколько численных методов, каждый из которых адаптирован для решения конкретных задач моделирования. Метод конечных разностей (81) упрощает реализацию, используя разности значений функции для аппроксимации производных в узлах сетки; однако он часто недостаточно точен и эффективен (82). Спектральные методы (83), напротив, представляют решение глобально, используя различные базисные функции, обеспечивая высокое разрешение (то есть спектральную точность (84)). Несмотря на высокую точность, спектральные методы в целом подходят лишь для относительно регулярных областей, что ограничивает их применимость к другим последующим задачам (85). Метод конечных элементов (МКЭ) (86) разбивает область на различные малые элементы, такие как треугольники или тетраэдры, и приближает решение внутри каждого с помощью полиномов низкого порядка. Благодаря гибкой стратегии построения сетки МКЭ может адаптироваться к широкому кругу сценариев и сложных условий реального мира (87, 88, 51, 89). Примечательным примером применения МКЭ в моделировании является модель ICOsahedral Nonhydrostatic (ICON) (90), которая изначально дискретизирует Землю в виде икосаэдра, состоящего из 20 треугольных граней, облегчая вычисление численных решений. Модель ICON демонстрирует возможности МКЭ, преобразуя набор дифференциальных уравнений в частных производных, которые описывают различные погодные условия, в алгебраические уравнения и решая их с помощью суперкомпьютера. Этот подход был интегрирован в систему Earth2 компанией NVIDIA.

Оценка неопределенности.   Моделирование в цифровых двойниках направлено на достижение точного взаимно-однозначного соответствия между физической системой и ее виртуальным представлением (69), подчеркивая важность количественной оценки неопределенностей, присущих как физическим измерениям (91), так и вычислительным моделям (92, 93, 94). Основные методы, применяемые для количественной оценки неопределенности и ее распространения в симуляторах, включают методы Монте-Карло (95, 96), байесовский вывод (97, 98) и анализ чувствительности (99, 100). Методы Монте-Карло предполагают случайное выборочное варьирование входных параметров для формирования распределения возможных исходов, что позволяет оценивать неопределенности выходных данных. Они особенно эффективны при работе со сложными и высокоразмерными задачами, что дополнительно усиливается методами сокращения дисперсии, такими как importance sampling (101) и stratified sampling (102), с фокусом на наиболее критичных частях пространства входных данных (95, 103). С другой стороны, байесовский вывод использует теорему Байеса (104) для обновления распределения вероятностей параметров модели на основе априорных знаний и новых данных. Этот подход обеспечивает систематическую основу для включения неопределенности в прогнозы модели, делая возможным уточнение модели по мере поступления большего объема данных. Методы вроде Markov Chain Monte Carlo (105) имеют решающее значение в этом контексте, поскольку позволяют на практике применять байесовский вывод, аппроксимируя апостериорные распределения в высокоразмерных пространствах (106). Кроме того, анализ чувствительности оценивает, как изменения входных параметров влияют на выходные значения модели, и выявляет ключевые параметры, которые существенно определяют результаты. Методы глобального анализа чувствительности (107), такие как индекс Sobol (108), дают целостное представление о том, как неопределенности входных данных распространяются через модель, тем самым выделяя наиболее значимые параметры и направляя усилия по снижению неопределенности (109)⟧.

3.1.2 Физически обоснованные модели ИИ

В последние годы быстрый прогресс технологий ИИ привел к появлению инновационных методологий для решения задач моделирования и вычислений в традиционных подходах на основе физики. Один из подходов заключается в использовании ИИ для явного извлечения лежащих в основе PDE из данных для дальнейшего процесса моделирования (110, 111, 112, 113). В качестве альтернативы можно использовать другую стратегию: встраивать некоторую часть или всю известную физическую информацию непосредственно в модели ИИ (114, 115, 116). Кроме того, вычисления с помощью ИИ могут снижать вычислительные затраты за счет усиления численных вычислительных шагов технологиями ИИ (117, 118). Такая интеграция упрощает процессы и повышает эффективность при выполнении задач моделирования и вычислений.

PDEs Discovery для моделирования. В традиционном процессе моделирования цифровых двойников возникает существенная проблема, когда некоторые физические законы неясны или понятны лишь частично, что затрудняет построение точных математических моделей (119, 120, 121). Такая ситуация особенно часто встречается в сложных системах, таких как турбулентность (122), течения с несколькими фазами (123) и материаловедение (124). Для решения этих задач моделирования исследователи начали изучать использование методов ИИ для непосредственного обучения лежащих в основе физических знаний и моделей по данным. Один из ранних и весьма влиятельных работ — Brunton et al. (125), где был предложен метод Sparse Identification of Nonlinear Dynamics (SINDy), позволяющий находить управляющие уравнения по данным временных рядов. Этот алгоритм основан на предположении, что физические законы часто просты, что приводит к разреженности индексов. Используя концепцию оператора Koopman (126), SINDy преобразует задачу поиска уравнений, задающих динамику в маломерном пространстве, в задачу высокомерной линейной регрессии. Ряд последующих исследований расширил применимость SINDy для более широкого круга сценариев, включая обнаружение PDEs (127), работу с зашумленными данными (128), работу с физикой на нескольких масштабах (129) и совместную обработку управляющих воздействий (130). В частности, в последнее время началось использование SINDy для построения симуляторов для цифровых двойников в различных областях применения, таких как производство (131), химическое машиностроение (42) и другие промышленные сценарии. Более недавно исследователи продолжили развивать область обнаружения PDEs по данным, используя глубокое обучение. Ранние влиятельные работы включают численный метод PDE-Net (111) и подходы на основе символической регрессии (132), которые развивались по двум параллельным траекториям. Дальнейшие исследования, такие как PDE-Net 2.0 (133), смешивают численные методы с символическими подходами. Кроме того, целая серия работ (113, 129, 134) объединяет методы глубокого обучения, чтобы еще больше повысить применимость и размерность алгоритма SINDy.

Решение уравнений в частных производных для моделирования. Помимо использования ИИ для явного раскрытия лежащих в основе физических знаний и математических моделей из данных, существует и другой подход: встраивать некоторые или все известные физические знания, заданные уравнениями в частных производных, в модели ИИ, стремясь объединить гибкость методов, основанных на данных, с интерпретируемостью физических моделей для решения уравнений в частных производных. Следуя этому руководству, наиболее известная работа — Physics-Informed Neural Networks (PINNs) (114). Прямо включая уравнения в частных производных в функцию потерь в качестве штрафных членов, PINNs позволяют физической информации в некоторой степени ограничивать выходные данные нейронной сети.

$$\mathcal{L}_{\text{PINN}}=\lambda_{\text{data}}\mathcal{L}_{\text{data}}+\lambda_{\text{PDE}}\mathcal{L}_{\text{PDE}}$$ (1)

где $\lambda_{\text{data}}$, $\lambda_{\text{physics}}$ — это веса, которые уравновешивают вклад каждого члена. Термин потерь для PDEs часто состоит из двух независимых частей: одна часть удовлетворяет физическим уравнениям, а другая часть удовлетворяет граничным условиям.

$$\mathcal{L}_{\text{PDE}}=\mathcal{L}_{\text{physics}}+\mathcal{L}_{\text{boundary}}=\frac{1}{M}\sum_{j=1}^{M}\left(\mathcal{N}[u](x_{j},t_{j})\right)^{2}+\frac{1}{P}\sum_{k=1}^{P}\left(\mathcal{B}[u](x_{k},t_{k})-g(x_{k},t_{k})\right)^{2}$$ (2)

где $\mathcal{N}[u](x_{j},t_{j})$ является остатком уравнения в частных производных в точках коллокации. И $\mathcal{B}[u]=g$ является граничным условием. Затем исследователи разработали варианты PINN, каждый из которых улучшал производительность и применимость PINN с разных точек зрения. Вариационные PINN (135) ввели вариационную формулировку для повышения устойчивости обучения и точности, Консервативные PINN (136) обеспечили сохранение физических величин, а Адаптивные PINN (137) использовали адаптивные функции активации для повышения эффективности обучения. Вероятностные PINN (138) включили вероятностные модели для количественной оценки неопределенности в предсказаниях. PINN и их варианты были применены в широком спектре областей моделирования, таких как гидродинамика (139), механика конструкций (140) и биомедицинская инженерия (141).

В настоящее время Neural Operators появились как еще один класс методов для встраивания физических знаний. Самые ранние работы — DeepONet (115), который использовал теорему о универсальной аппроксимации для прямого обучения дифференциальным операторам в уравнениях в частных производных, а не решениям уравнений в частных производных. Этот подход дал толчок концепции Neural Operators. Дальнейшие усовершенствования привели к Fourier Neural Operator (FNO), который существенно улучшил производительность за счет фильтрации высокочастотной информации с помощью нескольких слоев Фурье. Еще более продвинутая разработка, основанная на структуре FNO, — FourCastNet (142), используемая для прогнозирования погоды и интегрированная в систему Earth2. Другие варианты на основе FNO включают Adaptive FNO (143), Multiwavelet Fourier Feature Operators (MWFF) (144). Как Neural Operators, так и PINNs сосредоточивают основную вычислительную нагрузку на этапе обучения модели. После обучения эти физически информированные AI-модели могут генерировать предсказания с поразительной скоростью, часто на порядки быстрее, чем обычные численные решатели (145). Этот сдвиг в вычислительной парадигме дает существенные преимущества в сценариях, требующих многократных симуляций или прогнозов в реальном времени. Например, Lu et al. (146) показали, что их физически информированный DeepONet может решать уравнения в частных производных примерно в 1000 раз быстрее по сравнению с традиционными численными методами. Аналогично, Hennigh et al. (147) продемонстрировали, что AI-основанные модели турбулентности могут ускорять CFD-симуляции до двух порядков величины. Это драматическое сокращение времени вывода не только позволяет быстро выполнять анализ сценариев «что если» и оптимизации проектирования, но и открывает новые возможности для управления в реальном времени и принятия решений в сложных системах (148). Однако важно отметить, что процесс обучения этих AI-моделей может быть вычислительно затратным и может требовать значительных объемов данных или тщательно разработанных функций потерь с учетом физических ограничений. Тем не менее, возможность быстрых и точных предсказаний делает физически информированные AI-модели все более привлекательным вариантом для широкого круга задач для цифровых двойников.

3.2 Интеграция наблюдательных данных

Ключевая задача при моделировании физического двойника заключается в том, чтобы реальные наблюдения могли эффективно встраиваться в модель. Этот процесс разворачивается в два этапа. Раздел 3.2.1 посвящен получению и согласованию, где разнородные данные с датчиков, устройств IoT или журналов очищаются, синхронизируются и преобразуются в согласованные наблюдательные свидетельства. Затем раздел 3.2.2 фокусируется на ассимиляции данных — этапе, на котором подготовленные наблюдения объединяются с моделью для обновления ее состояний и параметров. Иными словами, получение и согласование обеспечивают надежность и сопоставимость данных, тогда как ассимиляция обеспечивает адаптацию самой модели к поступающим свидетельствам. Вместе они образуют методологический мост, который удерживает физический двойник тесно связанным с развивающейся реальностью.

3.2.1 Приобретение и согласование

Построение цифровых двойников начинается с получения наблюдательных данных, которые формируют мост между физическими системами и вычислительными моделями. На практике данные берутся из разнообразных источников, и их неоднородность вносит трудности, связанные с шумом, отсутствующими значениями, несогласованным сэмплированием и семантическими несоответствиями. Методы получения и согласования стремятся преобразовать эти разрозненные входные данные в чистые, надежные и совместимые по взаимодействию последовательности, которые могут служить доказательством для последующего моделирования и ассимиляции.

Данные сенсоров. Самая непосредственная форма наблюдательных данных создается физическими датчиками, которые измеряют такие переменные, как температура, давление, вибрация, напряжение, местоположение, аудио или видео. Сырые сигналы с датчиков редко бывают пригодны без обработки, поскольку они часто подвержены шуму, дрейфу базовой линии или периодическим пропускам. Методы обработки сигналов, такие как низкочастотная фильтрация и устранение тренда, являются стандартными подходами для смягчения этих проблем (149). Обнаружение аномалий также необходимо для выявления ошибочных измерений или неожиданных всплесков, которые в противном случае могут испортить набор данных. Обширный обзор статистических и машинно-обучающих методов обнаружения аномалий представлен у Hodge и Austin (150). Недостающие значения, возникающие из-за пропусков работы датчика, обычно восстанавливаются с помощью интерполяции или методов вменения, охватывая диапазон от классических статистических подходов до вероятностных моделей (151). Вместе эти этапы предварительной обработки преобразуют исходные потоки данных с сенсоров в устойчивые последовательности, пригодные для интеграции.

Данные Интернета вещей и на периферии.   Помимо выделенных датчиков, наблюдательные данные все чаще собираются с помощью Интернета вещей (IoT), который относится к распределенным устройствам, подключенным посредством беспроводных сетей связи, таких как Wi‑Fi, Bluetooth, Zigbee и LTE/5G. Инфраструктуры IoT генерируют огромные объемы разнородных данных — от показаний окружающей среды до взаимодействий пользователей (152). Их связь обычно основывается на легковесных протоколах, таких как MQTT или CoAP, предназначенных для ограниченных условий. Однако развертывания IoT в масштабе сети порождают сложности, включая задержки, потери пакетов и несогласованные настройки устройств. Для смягчения этих проблем возникла вычислительная периферия: вместо отправки всех исходных данных в облако вычисления частично выполняются на шлюзах или встроенных процессорах, расположенных близко к источнику данных (153). Эта стратегия снижает использование пропускной способности и время ответа, одновременно позволяя локальную предварительную обработку, такую как сжатие или обнаружение аномалий. В последнее время интеграция моделей ИИ в периферийные устройства позволила выполнять извлечение признаков в реальном времени и адаптивную поддержку принятия решений — направление, которое часто называют edge intelligence (154).

Журнальные и событийные данные.   В дополнение к непрерывным сигналам цифровые двойники включают дискретные журналы и записи событий, которые отражают поведение системы на уровне компонентов. Журналы могут содержать текстовые записи из систем управления, операционного программного обеспечения или взаимодействий пользователя. Событийные данные обычно представляют дискретные события, такие как отказы или действия по обслуживанию. В отличие от данных датчиков и ИоТ-данных, журналы являются полуструктурированными или неструктурированными и требуют специализированных методов обработки. Фреймворки для обработки журналов, такие как Drain, преобразуют записи свободного текста в структурированные шаблоны, пригодные для анализа (155). Часто повторяющаяся проблема — несогласованные временные метки в распределенных системах, что требует синхронизации и нормализации (156). После стандартизации журналы и события могут быть сериализованы и согласованы с потоками непрерывных данных, что позволяет интегрировать их в рабочие процессы цифровых двойников. Эти формы данных подчеркивают важность моделирования последовательностей, обнаружения аномалий и темпорального рассуждения в подходах к интеграции на основе ИИ.

Согласование разнородных данных. Независимо от источника, получаемые потоки данных должны быть согласованы, чтобы обеспечить совместимость. Временное согласование является первым требованием: датчики могут работать с разными частотами дискретизации, устройства IoT могут передавать данные с перерывами, а журналы могут фиксировать дискретные события. Протоколы синхронизации, такие как Network Time Protocol (NTP), устанавливают общие опорные часы для распределённых устройств (157). Когда идеальная синхронизация невозможна, применяются методы интерполяции и повторной дискретизации, чтобы согласовать сигналы на общем временном ряду. Агрегация с использованием скользящего окна может дополнительно согласовать данные датчиков с высокой частотой с записями меньшей частоты. Помимо времени, требуется семантическая и нормализация единиц измерения, чтобы предотвратить конфликты между разнородными наборами данных. Картирование на основе онтологий и согласование меток с помощью словарей, ориентированное на соответствие, обычно используются для гармонизации переменных имён, тогда как преобразование единиц измерения обеспечивает сопоставимость физических величин, таких как температура или расход (158). Вместе эти процедуры преобразуют разнородные источники в согласованные наборы данных, готовые для интеграции с моделями цифровых двойников.

Приобретение и согласование обеспечивают методологическую основу для интеграции данных цифровых двойников. Данные датчиков, платформы IoT и периферийные платформы, а также журнальные или событийные системы вносят ценный, но разнородный вклад в доказательную базу. В ходе предварительной обработки, синхронизации и семантической нормализации исходные наблюдения преобразуются в согласованные последовательности, которые сохраняют достоверность при обеспечении совместимости. Эти шаги также указывают на возможности для исследователей ИИ, такие как обнаружение аномалий для зашумленных сигналов, легковесные модели для извлечения признаков на уровне периферии и семантическое согласование, обусловленное обучением представлениям.

3.2.2 Слияние данных

После того как наблюдательные данные собраны и приведены в соответствие, следующий шаг заключается в интеграции их с моделью, чтобы оценить истинное состояние системы и откалибровать неизвестные параметры. Этот процесс, известный как data assimilation (DA), обеспечивает обоснованную основу для объединения модельных прогнозов с наблюдательными свидетельствами. В контексте цифровых двойников DA имеет решающее значение: без нее модель будет отклоняться от реальности из‑за несовершенных начальных условий, неполной параметризации или неучтенных возмущений; с DA модель остается динамически согласованной с физическим двойником. Проще говоря, получение и согласование делают данные пригодными, а assimilation делает модель чувствительной к данным. Формально DA можно рассматривать как задачу байесовского оценивания, где прогноз модели задает априорное распределение, наблюдения дают правдоподобие, а шаг assimilation производит апостериорную оценку состояния системы. Помимо обновления состояния, DA также предоставляет оценки неопределенности, которые необходимы для последующих задач, таких как prediction, optimization и decision-making. За последние десятилетия методы DA развивались по трем основным направлениям: последовательные подходы, вариационные подходы и, в последнее время, гибридные и основанные на обучении подходы.

Последовательное ассимиляционное обновление.   Последовательные методы обновляют состояние системы шаг за шагом по мере поступления новых данных. Классический пример — Kalman Filter (KF), который обеспечивает оптимальную линейную оценку при гауссовских допущениях (159). Чтобы учесть нелинейную динамику, Extended Kalman Filter (EKF) аппроксимирует систему локальной линеаризацией, тогда как Unscented Kalman Filter (UKF) использует детерминированную выборку для более надежного учета нелинейных эффектов (160). Для крупномасштабных, высокоразмерных систем, таких как геофизические модели, Ensemble Kalman Filter (EnKF) стал методом выбора (161). Представляя статистику ошибок ансамблем траекторий моделей, EnKF обеспечивает масштабируемое решение, которое широко применяется в прогнозировании погоды и моделировании океана. Последовательные методы привлекательны для цифровых двойников благодаря своей способности обрабатывать потоки данных в реальном времени, хотя они могут сталкиваться с ошибками выборки или потерей дисперсии в условиях очень высокой размерности.

Вариационная ассимиляция данных. Вариационные подходы рассматривают DA как задачу оптимизации. Цель состоит в минимизации функции стоимости, которая согласует точность модели с согласованностью с наблюдениями в заданном временном интервале. В 3D-Var оптимизация выполняется в единственный момент анализа, объединяя фоновый прогноз с новыми наблюдениями (162). В 4D-Var ассимиляция распространяется на временное окно, позволяя динамике системы накладывать ограничения на анализ (163). Эти методы используют все доступные наблюдения в пределах интервала ассимиляции и дают динамически согласованные траектории состояния. Они особенно эффективны для крупномасштабных применений, таких как численное прогнозирование погоды. Однако их зависимость от моделей сопряжения и высокоразмерной оптимизации делает их вычислительно затратными, что может ограничить их непосредственную применимость в некоторых сценариях цифровых двойников.

Гибридные и обучающие подходы.   Недавние разработки стремились объединить сильные стороны последовательных и вариационных схем с машинным обучением. Одно активное направление заключается в изучении или аппроксимации компонентов процесса ассимиляции. Например, нейронные сети могут служить суррогатными операторами наблюдения, сопоставляя переменным состояния модели пространство наблюдений, когда истинный оператор сильно нелинеен или вычислительно дорог (164). Другая линия работ интегрирует машинное обучение для улучшения моделирования ковариации ошибки — давней проблемы в EnKF и вариационных схемах (165). Концепция Neural Data Assimilation также возникла: там нейронные сети глубокого обучения обучают для имитации шага обновления напрямую, обеспечивая основанную на данных аппроксимацию байесовского вывода. Кроме того, дифференцируемые среды программирования позволили сформулировать differentiable DA, где сам процесс ассимиляции встраивается в вычислительный граф, облегчая сквозное обучение модели и параметров ассимиляции. PINNs, хотя уже были представлены в разделе 3.1.2, также могут быть включены в ассимиляционные фреймворки в качестве ограничений, направляющих оценку состояния (114). Эти гибридные методы подчеркивают многообещающую синергию: традиционная DA дает обоснованную статистическую основу, тогда как методы ИИ приносят гибкость, масштабируемость и возможность использовать большие наборы данных.

Ассимиляция данных представляет собой методологический мост между данными и моделями в цифровых двойниках. Последовательные методы подчеркивают обновление в реальном времени, пошагово; вариационные методы используют оптимизацию на временных окнах; гибридные методы включают машинное обучение, чтобы преодолеть давно существующие ограничения. В совокупности они гарантируют, что физический двойник является не просто смоделированным, а непрерывно синхронизированным с реальностью. Тем самым ассимиляция данных превращает цифровой двойник в динамическое отражение его физического аналога, способное обеспечивать надежное прогнозирование, оптимизацию и принятие решений в сложных средах.

4 Отражение физического близнеца в цифровом близнеце

Обучение распределения по наблюдениям реальных данных является фундаментальной задачей в генеративном ИИ. Цифровые двойники, которые различаются по измерениям представления, требуют различных фреймворков для моделирования. В этом разделе будут рассмотрены некоторые базовые подходы, а затем будут освещены современные методы уровня передовых разработок, построенные для обучения цифровых двойников в измерениях 2D и 3D с динамическим моделированием.

⟦Figure 3: Модели порождающего ИИ. (а) Фреймворк генеративно-состязательных сетей (GANs). (б) Фреймворк моделей вероятностного диффузионного сглаживания (DDPMs). (в) Фреймворк нейронного поля излучения (NeRF). (г) Фреймворк 3D Gaussian Splatting.

Вариационные автоэнкодеры (VAEs).   VAEs (166, 167, 168) спроектированы для обучения пары кодировщик-декодировщик, которая отображает входные данные в непрерывное скрытое пространство с двумя гауссовыми аппроксимациями распределений. В такой постановке мы обучаем модель кодировщика согласовывать с априорным распределением скрытой переменной $\mathbf{z}$, а модель декодировщика — восстанавливать исходное изображение. В части кодировщика мы используем гауссову аппроксимацию распределения $q_{\phi}(\mathbf{z}\mid\mathbf{x})$, параметризованную нейронной сетью $\phi$, чтобы аппроксимировать недостижимое истинное апостериорное распределение $q(\mathbf{z}\mid\mathbf{x})$. Мы стремимся предсказывать среднее значение и дисперсию скрытой переменной $\mathbf{z}$ по входному изображению $\mathbf{x}$, то есть $\mu_{\phi}(\mathbf{x})$ и $\sigma_{\phi}(\mathbf{x})$, чтобы закодированное распределение ближе согласовывалось с заранее заданным априорным распределением ($p(\mathbf{z})=\mathcal{N}(\mathbf{z};\mathbf{0},\mathbf{I})$). В части декодировщика, предполагая, что изображения следуют гауссовскому распределению, мы по сути обучаем декодировщик $p_{\theta}(\mathbf{x}\mid\mathbf{z})$ восстанавливать исходное изображение по скрытой переменной $\mathbf{z}$. Для достижения этих двух целей можно максимизировать нижнюю границу правдоподобия (ELBO) (168), которая определяется как

$$\mathcal{L}(\bm{\phi},\bm{\theta};\mathbf{x}) =\mathbb{E}_{q_{\bm{\phi}}(\mathbf{z}\mid\mathbf{x})}\left[\log p_{\bm{\theta}}(\mathbf{x},\mathbf{z})-\log q_{\bm{\phi}}(\mathbf{z}\mid\mathbf{x})\right],$$ (3)

$$=\mathbb{E}_{q_{\bm{\phi}}(\mathbf{z}\mid\mathbf{x})}\left[\log p_{\bm{\theta}}(\mathbf{x}\mid\mathbf{z})\right]-\mathbb{D}_{\mathrm{KL}}\left(q_{\bm{\phi}}(\mathbf{z}\mid\mathbf{x})\|p(\mathbf{z})\right),$$ (4)

с ограничением $\mathcal{L}(\phi,\theta;\mathbf{x})\leq\log p_{\theta}(\mathbf{x})$. Поскольку функция потерь в уравнении 4 дифференцируема, мы можем обучать энкодер $\phi$ и декодер $\theta$ с помощью градиентного спуска в сквозном режиме. Во время вывода мы можем выбирать (семплировать) латентные переменные из $p(\mathbf{z})$, а затем подавать их в декодер для генерации новых изображений.

Нормализующие потоки.   Нормализующие потоки (169, 170, 171, 172, 173) — это мощный класс порождающих моделей, которые позволяют гибко и вычислительно эффективно выполнять оценку плотности, преобразуя простое вероятностное распределение в более сложное посредством серии обратимых преобразований. Ключевая идея нормализующих потоков заключается в том, чтобы начать с простого распределения, обычно многомерного гауссовского распределения (168), и применить последовательность биективных (обратимых и дифференцируемых) отображений, чтобы преобразовать это простое распределение в то, которое согласуется с целевым распределением данных. В частности, пусть $\mathbf{z}_{0}\sim p_{\mathbf{z}_{0}}(\mathbf{z}_{0})$ обозначает случайную величину, выбранную из простого базового распределения $p_{\mathbf{z}_{0}}$, например стандартного нормального распределения. Нормализующий поток применяет последовательность обратимых преобразований $f_{i}:\mathbb{R}^{d}\rightarrow\mathbb{R}^{d}$ для $i=1,2,\dots,K$, в результате чего получаем преобразованную случайную величину $\mathbf{z}_{K}=f_{K}\circ f_{K-1}\circ\dots\circ f_{1}(\mathbf{z}_{0})$. Функция плотности вероятности $\mathbf{z}_{K}$ при преобразовании задаётся формулой изменения переменных:

$$p_{\mathbf{z}_{K}}(\mathbf{z}_{K})=p_{\mathbf{z}_{0}}(\mathbf{z}_{0})\left|\det\left(\frac{\partial f^{-1}}{\partial\mathbf{z}_{K}}\right)\right|=p_{\mathbf{z}_{0}}(\mathbf{z}_{0})\prod_{i=1}^{K}\left|\det\left(\frac{\partial f_{i}}{\partial\mathbf{z}_{i-1}}\right)\right|^{-1},$$ (5)

где $\det\left(\frac{\partial f_{i}}{\partial\mathbf{z}_{i-1}}\right)$ — это определитель матрицы Якоби для $i$-го преобразования. Эта формулировка позволяет выполнять точное вычисление правдоподобия, благодаря чему normalizing flows оказываются особенно эффективными для оценивания плотности.

Хотя нормализующий поток предоставляет ряд преимуществ, таких как точная оценка правдоподобия и обратимость, он также имеет некоторые ограничения. Одна из основных сложностей заключается в компромиссе между выразительностью преобразований и вычислительной сложностью вычисления определителей якобиана (174, 175, 176). Простые преобразования обеспечивают эффективные вычисления, но могут не хватать гибкости для моделирования сложных распределений, тогда как более сложные преобразования позволяют улавливать тонкие структуры в данных, но ценой увеличения вычислительной нагрузки. Чтобы справиться с этими проблемами, в последних исследованиях предпринимаются попытки повысить выразительность нормализующих потоков, таких как Neural Spline Flows (177) и Residual Flows (178), которые обеспечивают баланс между выразительностью и вычислительной эффективностью.

Состязательные генеративные нейронные сети (GANs).   GANs (179, 180, 181) — это мощная структура (как показано на рисунке 3) для обучения распределениям данных, состоящая из двух основных компонентов: генератора ($G$) и дискриминатора ($D$). Эти компоненты обычно реализуются как дифференцируемые нейронные сети, которые отображают входные данные из одного пространства в другое. Оптимизация GANs может быть сформулирована как игра на минимум—максимум между генератором и дискриминатором со следующим целевым критерием:

$$\min_{G}\max_{D}\mathbb{E}_{\mathbf{x}\sim p{\text{data}}(\mathbf{x})}[\log D(\mathbf{x})]+\mathbb{E}_{\mathbf{z}\sim p{\mathbf{z}}(\mathbf{z})}[\log(1-D(G(\mathbf{z})))].$$ (6)

Цель генератора — создавать новые примеры, которые в высокой степени напоминают реальное распределение данных, тогда как дискриминатор стремится точно различать реальные и сгенерированные примеры. Процесс обучения достигает точки равновесия, известной как Nash equilibrium (182), где генератор фактически захватил истинное распределение данных. Однако GAN часто сталкиваются с проблемами нестабильности обучения из-за непересекающейся поддержки между реальным и сгенерированным распределениями данных. Один из подходов к смягчению этой проблемы — добавлять шум во входные данные дискриминатора, тем самым расширяя область поддержки обоих распределений. Wang et al. (2022) (183) предлагают адаптивную схему внедрения шума на основе diffusion model для стабилизации обучения GAN. Благодаря одношаговой природе генерации GAN может быть эффективной альтернативой более мощным diffusion model, которые требуют итеративного многoшагового и длительного денойзинга во время инференса.

Модели вероятностной диффузии с устранением шума (DDPMs).   DDPMs используют две марковские цепи: прямую цепь, добавляющую шум, и обратную цепь, удаляющую его. Прямая цепь преобразует данные в простое априорное распределение, тогда как обратная цепь с использованием нейронных сетей обращает этот процесс. При заданном распределении данных $\mathbf{x}_{0}\sim q(\mathbf{x}_{0})$ прямой процесс порождает последовательность $\mathbf{x}_{1},\mathbf{x}_{2},\dots,\mathbf{x}_{T}$ с переходным ядром $q(\mathbf{x}_{t}\mid\mathbf{x}_{t-1})$. Совместное распределение является произведением этих переходов. Переходное ядро обычно представляет собой гауссовское возмущение: $q(\mathbf{x}_{t}\mid\mathbf{x}_{t-1})=\mathcal{N}(\mathbf{x}_{t};\sqrt{1-\beta_{t}}\mathbf{x}_{t-1},\beta_{t}\mathbf{I}),$ где $\beta_{t}\in(0,1)$ является гиперпараметром. Это позволяет выполнить аналитическое маргинальное усреднение: $q(\mathbf{x}_{t}\mid\mathbf{x}_{0})=\mathcal{N}(\mathbf{x}_{t};\sqrt{\bar{\alpha}_{t}}\mathbf{x}_{0},(1-\bar{\alpha}_{t})\mathbf{I}),$ с $\alpha_{t}=1-\beta_{t}$ и $\bar{\alpha}_{t}=\prod_{s=0}^{t}\alpha_{s}$. Обратный процесс использует обучаемое переходное ядро:

$$p_{\theta}(\mathbf{x}_{t-1}\mid\mathbf{x}_{t})=\mathcal{N}(\mathbf{x}_{t-1};\mu_{\theta}(\mathbf{x}_{t},t),\Sigma_{\theta}(\mathbf{x}_{t},t)),$$ (7)

где $\theta$ обозначает параметры модели. Она обучается сопоставлять обращение времени прямого процесса, минимизируя расхождение KL. Упрощенная функция потерь:

$$\ell^{\text{simple }}_{t}(\theta)=\mathbb{E}_{\mathbf{x}_{0},t,\epsilon_{t}}\left\|\epsilon_{\theta}\left(\mathbf{x}_{t},t\right)-\epsilon\right\|_{2}^{2}.$$ (8)

Процесс удаления шума выполняется пошагово, используя формулу с участием изученного предсказания шума $\epsilon_{\theta}$ и гауссовского шума $\mathbf{z}$.

Эффективность выборки была повышена с помощью таких методов, как DDIM (184), который позволяет выполнять более быструю выборку за счёт построения немарковских диффузионных процессов. Фреймворк EDM (185) далее улучшил эффективность и качество, уточнив пространство дизайна. Модели, основанные на оценке, (186) обеспечили единое представление о диффузионных моделях посредством стохастических дифференциальных уравнений. Для дискретных данных D3PMs (187) расширили диффузионные модели до дискретных пространств состояний. Практические применения были продвинуты работами вроде GLIDE (188) и Stable Diffusion (189), которые позволили выполнять высококачественную генерацию изображений по тексту. Классификаторное наведение (190, 191) и управление через кросс-внимание (192) дополнительно улучшили условную генерацию и редактирование.

Моделирование радиационного поля с неявными и явными методами.   Радиационное поле предоставляет трехмерную модель распределения света, которая описывает взаимодействие света с поверхностями и материалами в среде (193). Его можно математически выразить как функцию $L\!:\!\mathbb{R}^{5}\!\mapsto\!\mathbb{R}^{+}$, где $L(x,y,z,\theta,\phi)$ обозначает отображение пространственной точки $(x,y,z)$ и направления, заданного сферическими координатами $(\theta,\phi)$, в неотрицательное значение радиации. Радиационные поля обычно представлены в двух формах: неявной или явной, каждая из которых предлагает различные преимущества для отображения сцены и рендеринга (194). Неявное радиационное поле моделирует распределение света в сцене косвенно, не задавая геометрию сцены явно (195). В контексте глубокого обучения это часто включает использование нейронных сетей для изучения непрерывного представления объемной сцены (196). Примечательным примером является NeRF (197), где нейронная сеть, часто многослойный перцептрон (MLP), отображает пространственные координаты $(x,y,z)$ и направления наблюдения $(\theta,\phi)$ в соответствующие значения цвета и плотности (198). Радиация в любой точке вычисляется динамически путем обращения к MLP, а не хранится непосредственно. Этот подход дает компактное и дифференцируемое представление сложных сцен, но обычно требует значительных вычислительных ресурсов при рендеринге из-за необходимости объемного трассирования лучей (volumetric ray marching) (199). И наоборот, явное радиационное поле явно инкапсулирует распределение света с использованием дискретных пространственных структур, таких как voxel grids или point sets (200). Каждый компонент этой структуры кодирует данные радиации для своего конкретного пространственного положения, что позволяет получать радиацию быстрее и более напрямую, хотя и ценой увеличенных требований к памяти и сниженного разрешения (201).

3D Gaussian Splatting (3DGS).   3DGS (202) интегрирует преимущества как неявных, так и явных полей излучения за счет использования настраиваемых 3D гауссовых объектов. Этот метод, оптимизированный с помощью многовидового контроля изображений, обеспечивает эффективное и гибкое представление, позволяющее точно воспроизводить сцены. Он объединяет оптимизацию на основе нейронных сетей со структурированным хранением данных, нацеливаясь на высококачественный рендеринг в реальном времени при эффективном обучении, особенно для сложных и высокоразрешающих сцен. Модель 3DGS описывается как:

$$L_{\text{3DGS}}(x,y,z,\theta,\phi)=\sum_{i}G(x,y,z,\bm{\mu}_{i},\bm{\Sigma}_{i})\cdot c_{i}(\theta,\phi),$$ (9)

где $G$ обозначает гауссову функцию, определяемую средним $\bm{\mu}_{i}$ и ковариацией $\bm{\Sigma}_{i}$, а $c$ указывает на видозависимый цвет. В частности, обучение 3D GS включает два основных процесса, как показано на рисунке 3:

1. ⟦ Отрисовка: Процесс отрисовки в 3D GS существенно отличается от объемного ray marching, используемого в неявных методах вроде NeRF. Вместо этого применяется техника splatting, которая проецирует 3D Gaussians на 2D плоскость изображения. Этот процесс включает несколько ключевых этапов. Сначала на этапе frustum culling Gaussians, находящиеся вне поля зрения камеры, исключаются из отрисовки. Затем на этапе splatting 3D Gaussians проецируются в 2D-пространство с использованием преобразования, включающего viewing transformation и Jacobian проективного преобразования. На заключительном этапе цвет каждого пикселя вычисляется с помощью alpha compositing, которое смешивает цвета перекрывающихся Gaussians на основе их непрозрачностей.
2. ⟦ Оптимизация: для достижения рендеринга в реальном времени 3D GS использует несколько методов оптимизации, включая использование тайлов (патчей) для параллельной обработки и эффективную сортировку гауссианов на основе глубины и идентификатора тайла. Процесс обучения в 3D GS включает оптимизацию свойств каждого гауссиана (позиция, непрозрачность, ковариация и цвет), а также управление плотностью гауссианов в сцене. Оптимизация направляется функцией потерь, объединяющей L1 и D-SSIM потери:

   $$\mathcal{L}=(1-\lambda)\mathcal{L}_{1}+\lambda\mathcal{L}_{\text{D-SSIM}},$$ (10)

   где $\lambda$ — коэффициент взвешивания. Плотность гауссианов управляется за счет процессов уточнения точек и отсева. Уточнение включает клонирование или разбиение гауссианов на основе градиентов по положению, тогда как отсев удаляет не нужные или неэффективные гауссианы.

С момента внедрения 3D Gaussian Splatting для рендеринга полей излучения в реальном времени (202) в данной области было сделано несколько значительных достижений. Plenoxels (203) представила подход без нейронных сетей для фотореалистического синтеза видов, использующий разреженную 3D-сетку со сферическими гармониками. Dynamic 3D Gaussians (204) расширила эту концепцию на динамические сцены, обеспечив отслеживание с шестью степенями свободы и синтез новых ракурсов. Animatable and Relightable Gaussians (205) сосредоточилась на высокоточной модели человеческого аватара по видеозаписям RGB. Среди других примечательных работ — Floaters No More (206), который решал коллапс фона при получении NeRF, и 3DGS-Avatar (207), который обеспечил рендеринг в реальном времени анимируемых человеческих аватаров. Эти достижения подчеркивают продолжающуюся эволюцию и диверсификацию методов в области представления и рендеринга 3D-сцен.

4.1 Построение симулятора

4.1.1 Фундаментальное моделирование и представление состояния

Цифровой двойник-симулятор должен сначала определить, как представить физическую систему, которую он стремится смоделировать. В некоторых случаях симулятору требуется явное геометрическое описание, чтобы воспроизводить пространственно управляемые явления, такие как деформация, течение жидкости или молекулярные взаимодействия. В других случаях геометрия не нужна, и систему можно смоделировать через реляционные или временные зависимости, которые отражают то, как компоненты взаимодействуют или изменяются со временем. Эти две взаимодополняющие точки зрения приводят к двум типам представления состояния: геометрически обоснованному, которое кодирует физическую структуру системы, и абстрактному, которое фокусируется на основанных на данных или реляционных аспектах поведения системы.

Геометрическое представление состояния.   В геометрически ориентированных представлениях физическая система моделируется с помощью явных пространственных конструкций, которые задают ее форму, структуру и свойства материала. Эти представления составляют основу цифровых двойников в областях, где пространственная конфигурация напрямую определяет динамику системы и ее поведение, таких как проектирование в технике, производство и биомедицинское моделирование. Они отвечают на фундаментальные вопросы о физическом мире: как выглядит объект? как связаны его компоненты? каковы его физические свойства?

Форма и геометрия. «Какова форма объекта?» — Этот вопрос определяет геометрическую конфигурацию физической сущности в пространстве. Представление формы создает основу для всего последующего моделирования, определяя, как объект занимает и взаимодействует со своей средой. Общие формулировки включают сетки, используемые в методах конечных элементов и конечных объемов (FEM/FVM), которые дискретизируют непрерывные области для численного анализа (86, 87); облака точек, фиксирующие плотные выборки поверхности для реконструкции и инспекции в 3D (208); воксельные или сеточные представления, применяемые в объемном моделировании и медицинской визуализации (209); и параметрические модели, такие как CAD и Building Information Models (BIM), которые кодируют как геометрию, так и семантику (210). Нейронные поля, включая Neural Radiance Fields (NeRF) (211), Signed Distance Fields (SDF) (212) и сети занятости (213), далее обобщают геометрию в непрерывные неявные функции, обеспечивая дифференцируемые и компактные представления сцен. Вместе эти формулировки предоставляют средства для реконструкции, визуализации и моделирования пространственного состояния физического мира.

Топология и связность. «Как связаны его компоненты?» Помимо локальной геометрии, топология описывает взаимосвязи и связность, которые определяют структурную целостность и ограничения на движение. В механических системах связность ячеек задаёт отношения смежности между элементами и поддерживает анализ напряжений или деформаций (87). В сочленённых системах, таких как роботизированные манипуляторы, кинематические цепи описывают иерархические зависимости и степени свободы между суставами и звеньями (214). Сборочные графы дополнительно кодируют то, как отдельные части сопрягаются или движутся относительно друг друга, позволяя выполнять симуляции многотельной динамики и структурной связи (215). Точное топологическое моделирование гарантирует, что цифровой двойник сохраняет структурную логику физической системы, позволяя выполнять анализы, такие как распространение нагрузок, обнаружение столкновений и отслеживание деформаций в рамках физических ограничений.

Физические атрибуты. «Какие у него физические свойства?» Только геометрия и топология не могут определить поведение системы без описания ее внутренних материальных и граничных свойств. Эти атрибуты определяют, как физический объект реагирует на внешние силы, тепло или другие факторы окружающей среды. Ключевые описатели включают материальные свойства, такие как плотность, упругость и вязкость; граничные условия, задающие нагрузки, жестко закрепленные опоры или интерфейсы с жидкостью; тепловые параметры, включая теплопроводность и удельную теплоемкость; а также начальные условия, определяющие исходное состояние полей, таких как температура или скорость. В совокупности эти величины позволяют выполнять точное численное моделирование и построение предсказательных моделей на основе определяющих физических уравнений. Включение таких физических атрибутов превращает геометрические модели из статических визуализаций в динамические вычислительные сущности, которые отражают отклик реальной системы на механические, тепловые или электромагнитные воздействия.

Негеометрическое представление состояния.   Не все симуляторы требуют явной геометрии, чтобы описывать поведение системы. Во многих цифровых двойниках ключевую роль играют динамика, возникающая из отношений, временных закономерностей или статистических зависимостей, а не из пространственной формы. Поэтому негеометрические представления состояния описывают системы через символьные, реляционные структуры или структуры на основе признаков, что позволяет моделировать процессы, где геометрия недоступна, не имеет значения или вычислительно избыточна. Такие представления широко применяются в киберфизических, социальных и биологических системах для поддержки крупномасштабного рассуждения и предсказания.

Представление на основе признаков. Представления на основе признаков кодируют сложные состояния системы в компактные числовые векторы, обеспечивая эффективные вычисления и интеграцию между различными модальностями. Эти встраивания могут быть извлечены из текста, изображений и данных измерений датчиков или изучены с помощью самообучающихся и мультимодальных моделей (216). Крупномасштабные фундаментальные модели (217) дополнительно обобщили эту концепцию, обучая единые скрытые пространства, способные представлять разнообразные модели поведения системы и ее характеристики. В симуляторах цифровых двойников встраивания обеспечивают масштабируемые интерфейсы для высокоразмерного вывода, поддерживая быстрое выполнение запросов, адаптацию между доменами и интеллектуальные решения.

Представление временных рядов. Представления временных рядов описывают, как состояния системы изменяются со временем. Они лежат в основе цифровых двойников, которые мониторят и прогнозируют поведение по непрерывным потокам данных, таким как сигналы датчиков, физиологические измерения или переменные окружающей среды (218). Рекуррентные и основанные на внимании модели, включая RNNs, TCNs и Transformers (219), показали сильную способность улавливать как кратковременные, так и долговременные зависимости. В медицинских двойниках эти представления позволяют выполнять динамический мониторинг пациентов и моделирование прогрессирования заболеваний (220); в промышленных двойниках они поддерживают предиктивное обслуживание и обнаружение аномалий на основе телеметрических данных (221).

Графовое представление. Графовые представления моделируют систему как совокупность сущностей и их взаимодействий, обеспечивая естественную основу для описания реляционных динамик. Такая постановка показала свою эффективность для сетевых инфраструктур, таких как транспортные системы (222), цепочки поставок (223) и энергетические сети (224), а также для семантических и биомедицинских графов знаний (225). Графовые нейронные сети (GNNs) расширяют эти идеи, обучая представления по структурированным зависимостям, что позволяет выполнять моделирование потока, распространения отказов и оптимизации системы в целом.

Таким образом, некорректные геометрические представления дополняют геометрически ориентированные модели, фокусируясь на отношениях и динамике вместо пространственной точности. Вместе они задают две фундаментальные парадигмы построения симуляторов: одну, основанную на физической форме, и другую, основанную на данных и взаимодействии. Современные цифровые двойники часто объединяют обе перспективы. Например, структурные компоненты могут моделироваться геометрически, в то время как управление, коммуникация или биологические процессы представляются с помощью графов или векторов-признаков. Такой гибридный подход позволяет симуляторам улавливать как физическую динамику, так и семантические взаимодействия сложных систем.

4.1.2 Моделирование поведения и процесса

Моделирование в пространстве состояний.   Моделирование в пространстве состояний представляет одно из основных направлений для построения симуляторов. Цель состоит в том, чтобы изучать поведение системы непосредственно по данным, рассматривая симуляцию как аппроксимацию функции, которая отображает входные данные в выходные, или как предсказание последовательности, прогнозирующее временную эволюцию. Вместо того чтобы явно решать определяющие уравнения, эти модели выводят лежащую в основе динамику из наблюдательных данных, позволяя цифровым двойникам эффективно воспроизводить сложные процессы, когда аналитические формулировки недоступны или вычислительно неприемлемы (148).

Прямо-передающие модели, такие как MLPs, CNNs и ResNets, изучают устойчивые отображения между переменными проектирования или управления и соответствующими показателями эффективности. Их часто используют как дифференцируемые замещающие модели для инженерной оптимизации — например, для прогнозирования аэродинамической подъемной силы по геометрии воздухозаборника, для оценки рассеяния тепла по параметрам материала или для прогнозирования скорости высвобождения лекарственного вещества по свойствам состава (43). Заменяя дорогостоящие конечно-элементные симуляции, такие нейросетевые суррогаты позволяют выполнять быстрые итерации проектирования и анализ чувствительности. Когда доминируют временные зависимости, рекуррентные и основанные на внимании сети, включая LSTMs, GRUs и Transformers (219), фиксируют динамическую эволюцию состояний системы. Эти модели рассматривают симуляцию как предсказание последовательности, обучаясь тому, как процесс разворачивается во времени. В промышленных цифровых двойниках их применяют для прогнозирования траекторий датчиков при обнаружении неисправностей (221); в здравоохранении — для моделирования прогрессирования заболевания на основе данных временных рядов пациентов (220); в транспорте — для прогнозирования многошагового транспортного потока и распространения заторов по городским сетям (222)⟧.

Для систем с явной пространственной или реляционной структурой GNNs (226) расширяют эту парадигму, обучая взаимодействия между связанными компонентами. Каждая вершина представляет физическую или логическую сущность, а ребра описывают зависимости, такие как передача силы или обмен ресурсами. Это позволяет симуляторам на базе GNN воспроизводить деформацию сетки в механических системах, распространение напряжения в электрических сетях и перераспределение потока в транспортных сетях. Благодаря механизму передачи сообщений GNN дают возможность цифровым двойникам моделировать то, как локальные возмущения в совокупности формируют глобальную динамику. За пределами дискретных представлений нейронные операторы, такие как DeepONet (115) и Fourier Neural Operator (FNO) (116), обобщают обучение по состояниям на функциональные отображения. Вместо аппроксимации одной траектории они обучают операторов решений для дифференциальных уравнений в частных производных, напрямую связывая граничные условия или члены источника со всем полем решения. После обучения эти операторы обеспечивают быстрые и высокоточные суррогаты для моделирования течения жидкости, теплопередачи и деформации материала (144, 146, 147), достигая ускорения на несколько порядков по сравнению с традиционными решателями.

В заключение, моделирование в пространстве состояний фокусируется на изучении того, как системы реагируют и развиваются, либо аппроксимируя устойчивые отображения, либо предсказывая временные последовательности. От прогнозирования отказов оборудования до оптимизации инженерных конструкций и ускорения физических симуляций этот подход формирует центральный вычислительный путь для построения интеллектуальных цифровых двойников, которые учатся, адаптируются и обобщают в различных предметных областях физики.

Визуальное моделирование мира. Недавние достижения в генеративном ИИ привели к появлению новой парадигмы моделирования: вместо явного моделирования внутренних состояний он напрямую генерирует реалистичные визуальные наблюдения мира. В этом подходе прогнозирование будущих кадров или синтез динамических сцен становится эквивалентным моделированию эволюции физической среды. Такие симуляторы мира позволяют воплощённым агентам, включая роботов и автономные транспортные средства, учиться, планировать и взаимодействовать в управляемых, ориентированных на данные виртуальных мирах, не полагаясь исключительно на дорогостоящие физические эксперименты.

Модели видео-диффузии появились как одна из самых мощных основ для генерирующего моделирования. Используя крупномасштабные наборы данных видео и диффузионные архитектуры, эти модели могут синтезировать высококачественные и согласованные во времени видео, которые приближают реальные физические процессы и динамику. Например, VideoComposer (227) представляет композиционную основу синтеза видео с условиями, заданными текстом, пространственной разметкой и временными подсказками, что позволяет точно управлять сгенерированным движением и композицией сцены. DynamiCrafter (228) расширяет эту возможность, анимируя неподвижные изображения с помощью априоров движения, выученных на моделях диффузии text-to-video, фактически превращая статичные сцены в динамические симуляции. Наиболее примечательно, что Sora (229) демонстрирует впечатляющий потенциал моделей диффузии text-to-video в качестве универсальных симуляторов мира, способных генерировать физически согласованные, фотореалистичные видео по описаниям на естественном языке.

Хотя реализм имеет решающее значение, управляемость остается необходимой для обучения, основанного на симуляциях. В нескольких недавних исследованиях рассматривалась интеграция структурированного управления в модели генерации видео, чтобы получать релевантные задачам, интерактивные среды. Seer (230) предлагает покадровый последовательный текстовый декомпозер, который переводит глобальные инструкции в согласованные по времени подынструкции, усиливая детальный контроль над траекториями получаемого видео. Video Adapter (231) предоставляет легковесный механизм адаптации для крупных предварительно обученных моделей видео-диффузии, позволяя эффективно выполнять настройку предметной области без полного finetuning. На более крупном масштабе Cosmos World Foundation Model Platform (29) предоставляет интегрированную среду для построения управляемых видеомоделей мира, включая конвейеры отбора видео, токенизаторы и предварительно обученные симуляторы фундаментальных моделей для прикладных задач физического AI, таких как робототехника и автономное вождение.

Помимо чистой генерации видео, интерактивные модели мира, такие как Genie (232) и его преемник Genie 2 (233), расширяют генеративное моделирование до воплощённых, управляемых действиями 3D-сред. Эти системы могут генерировать игровые, открытые виртуальные миры, обусловленные текстом, эскизами или другими мультимодальными подсказками, позволяя автономным агентам учиться и действовать в динамических визуальных средах.

Генерация видео как моделирование мира, таким образом, представляет собой смену парадигмы от явного моделирования на основе физики к синтезу, опирающемуся на наблюдения. Осваивая визуальную и временную структуру реальности, такие модели обеспечивают управляемые, масштабируемые и фотореалистичные среды для обучения, тестирования и рассуждений. В рамках систем цифровых двойников они связывают моделирование и восприятие, позволяя виртуальным агентам одновременно наблюдать и взаимодействовать с реалистичными представлениями физического мира.

4.2 Визуализация симулятора

4.2.1 Моделирование сцены

В цифровых двойниках моделирование сцены поддерживает визуализацию, определяя, как смоделированный мир выглядит в трехмерном пространстве. После того как построен движок симулятора, предназначенный для моделирования поведения системы, визуализация сосредоточивается на реконструкции или синтезе видимой структуры мира. Моделирование сцены определяет, как выглядит двойник. Моделирование сцены нацелено на представление пространственной конфигурации и визуального облика реальных или виртуальных сред путем обучения тому, как свет взаимодействует с материей через представления радиационного поля. Благодаря достижениям в нейронном рендеринге данные, основанные на методах, управляемых данными, теперь позволяют восстанавливать высокодетализированные и пространственно согласованные 3D, а также даже 4D сцены непосредственно по многовидовым изображениям или данным сенсоров. В этом разделе представлены два основных направления в данной области: восстановление статических сцен в крупном масштабе и динамическое моделирование сцены.

Статическая реконструкция сцены. Масштабирование методов нейронного рендеринга для крупных городских сред было значительным направлением исследований в последнее время. Эти методы стремятся запечатлеть сложность сцен масштаба города, сохраняя высокую визуальную достоверность и эффективный рендеринг. Block-NeRF (234) вводит вариант NeRF, который может представлять крупномасштабные среды за счет разложения сцены на отдельно обучаемые NeRF. Этот подход отделяет время рендеринга от размера сцены, позволяя масштабировать рендеринг до произвольно больших сред. Urban Radiance Fields (235) расширяет NeRF для обработки асинхронно захваченных данных lidar и для устранения вариаций экспозиции между изображениями, получая современные достижения в реконструкции 3D поверхностей и высококачественные новые ракурсы для сцен улиц. TensoRF (236) предлагает моделировать поле радианс как тензор 4D и вводит разложение вектор-матрица, чтобы обеспечить быструю реконструкцию с лучшим качеством рендеринга и меньшим размером модели по сравнению с NeRF. NeRF in the Wild (237) решает задачи неконтролируемых фотоархивов, позволяя выполнять точные реконструкции по фотографиям из интернета знаменитых достопримечательностей. Более новые работы были сосредоточены на дальнейшем улучшении масштабируемости и качества реконструкции сцен большого масштаба. K-Planes (238) вводит модель типа «white-box» для полей радианс, использующую плоскости для представления d-мерных сцен, предоставляя единый способ перехода от статических к динамическим сценам. BungeeNeRF (239) обеспечивает рендеринг с различной детализацией на существенно варьируемых масштабах, решая задачи экстремально многомасштабного рендеринга сцен. Global-guided Focal Neural Radiance Field (240) предлагает двухэтапную архитектуру для достижения высокодостоверного рендеринга сцен большого масштаба при сохранении согласованности по всей сцене. CityGaussian (241) использует новый подход divide-and-conquer к обучению и стратегию Level-of-Detail для эффективного обучения и рендеринга 3D Gaussian Splatting на больших масштабах.

Моделирование динамических сцен. Расширение статических представлений для моделирования динамических сцен с движущимися объектами является еще одним важным направлением в исследованиях нейронного рендеринга. Эти методы нацелены на то, чтобы передавать как пространственные, так и временные аспекты сложных реальных сред. 4D Gaussian Splatting (242) аппроксимирует лежащий в основе пространственно-временной 4D объем динамической сцены, оптимизируя набор 4D примитивов, что позволяет выполнять рендеринг в реальном времени сложных динамических сцен. Scalable Urban Dynamic Scenes (SUDS) (243) вводит факторизованное представление сцены с использованием отдельных структур данных в виде хеш-таблиц для эффективного кодирования статических, динамических и удаленных полей излучения. Street Gaussians (244) предлагает новый конвейер для моделирования динамических городских сцен улиц, используя сочетание статических и динамических 3D Gaussian с оптимизируемыми отслеживаемыми позами для движущихся объектов. Deformable 3D Gaussians (245) вводит метод, который восстанавливает сцены с помощью 3D Gaussian и обучает их в каноническом пространстве с полем деформации для моделирования монокулярных динамических сцен. DynMF (246) представляет компактное и эффективное представление, которое разлагает динамическую сцену на несколько нейронных траекторий, позволяя осуществлять синтез видов в реальном времени сложных динамических движений сцены. Multi-Level Neural Scene Graphs (247) предлагает новый разлагаемый подход к полю излучения для динамических городских сред, используя многоуровневое представление графа нейронных сцен, которое масштабируется до тысяч изображений с сотнями быстро движущихся объектов.

4.2.2 Интерактивная визуализация и интерфейсы

Хотя моделирование сцены задает структурную и визуальную основу виртуальной среды, интерактивная визуализация определяет то, как люди и ИИ-агенты видят, исследуют и осмысляют эту среду. Этот уровень превращает смоделированные или восстановленные миры в воспринимаемые и поддающиеся анализу представления, поддерживая осведомленность о ситуации, проверку гипотез и совместное понимание посредством интуитивных визуальных интерфейсов.

Погружная и работающая в реальном времени визуализация. Усовершенствования в конвейерах рендеринга и ускорение на GPU теперь позволяют цифровым двойникам достигать фотореалистичной, визуализации в реальном времени крупномасштабных сред. Техники нейронного рендеринга, такие как 3D Gaussian Splatting (248), позволяют поддерживать интерактивные частоты кадров без потери точности, тогда как компактные представления сцен, такие как Instant-NGP (249), дополнительно повышают эффективность синтеза изображения с заданной точки зрения. Погружные системы визуализации, включая AR/VR-гарнитуры и дисплеи CAVE — приносят пользователям (250) восприятие глубины и пространственное присутствие, позволяя интуитивно исследовать пространство с помощью жестов, отслеживания движений или управления, основанного на направлении взгляда. Такие погружные системы усиливают человеческое восприятие и понимание в областях, например, хирургическое моделирование, управление умным городом и промышленное обучение (251).

Интерактивные панели управления и визуальная аналитика. Помимо погружения, цифровые двойники опираются на интерактивные панели управления и инструменты визуальной аналитики, чтобы организовывать и интерпретировать результаты моделирования и данные с живых датчиков (252). Эти интерфейсы объединяют предиктивные модели, потоковую информацию и диагностические представления в едином визуальном слое, который поддерживает мониторинг и рассуждения в реальном времени (51). На практике они выглядят как трехмерные панели мониторинга для интеллектуальных производств (253), системы визуализации дооперационного этапа для планирования хирургических вмешательств (254) или оперативные центры управления, отображающие потоки трафика и распределение энергии для ситуационного анализа (255). Современные облачные среды визуализации также позволяют распределенным командам совместно исследовать, аннотировать и интерпретировать среды цифровых двойников через синхронизированные визуальные интерфейсы.

5 Воздействие на физический цифровой двойник через цифровой двойник

5.1 Прогнозирование физического поведения

Прогнозное моделирование является фундаментальным аспектом систем цифровых двойников, позволяя осуществлять прогнозирование будущих условий и поведения на основе текущих и исторических данных. В системах цифровых двойников, которые создают виртуальные копии физических объектов, предиктивные модели могут прогнозировать различные сценарии, такие как неисправности оборудования (256), ухудшение производительности (257) и аномалии в работе системы (258). Эти прогнозы необходимы для оптимизации производительности, предотвращения непредвиденных проблем и обеспечения эффективной работы физических активов (259, 260, 261). Используя передовые методы ИИ, такие как методы машинного обучения и глубокого обучения, цифровые двойники могут анализировать обширные данные для прогнозирования тенденций (262, 263), обнаружения аномалий (264, 265) и принятия решений в режиме реального времени (266, 267, 268). В этом разделе будут рассмотрены две части с фокусом на: 1) прогнозное моделирование в системах цифровых двойников; 2) типы прогнозов в системах цифровых двойников..

5.1.1 Основы прогнозного моделирования

Моделирование прогнозирования является краеугольным камнем систем цифровых двойников, обеспечивая возможность прогнозировать будущие состояния и поведение физических объектов на основе текущих и исторических данных. Эта возможность имеет решающее значение для оптимизации операций, планирования технического обслуживания и повышения общей производительности и надежности системы. В этом разделе вводится концепция моделирования прогнозирования, приводится высокоуровневое математическое определение и рассматриваются соответствующие примеры в рамках систем цифровых двойников.

Определение прогностического моделирования.   Прогностическое моделирование в системе цифрового двойника включает прогнозирование будущих состояний $\mathbf{x}_{t+T}\in\mathcal{X}$ на основе наблюдаемых данных $\mathbf{X}_{t}\subseteq\mathcal{X}$ и функции прогноза $\mathcal{F}$. Формально, имея набор наблюдаемых состояний $\mathbf{X}_{t}$ до текущего времени $t$, цель состоит в оценке будущего состояния $\hat{\mathbf{x}}_{t+T}$ в будущий момент времени $t+T$ как $\hat{\mathbf{x}}_{t+T}=\mathcal{F}(\mathbf{X}_{t},T)$, где $\mathbf{X}_{t}=\{\mathbf{x}_{t_{1}},\mathbf{x}_{t_{2}},\ldots,\mathbf{x}_{t}\}$ представляет исторические данные до текущего времени $t$, а $T$ — горизонт прогнозирования, то есть временной интервал в будущее, на который выполняется прогноз. Пространство состояний $\mathcal{X}$ включает все возможные состояния системы, охватывая различные показания датчиков, рабочие условия и показатели производительности. Наблюдаемые данные $\mathbf{X}_{t}$ — это зафиксированные состояния, используемые для обучения моделей прогноза. Функция $\mathcal{F}$ использует методы машинного обучения, deep learning или статистические методы для прогнозирования будущих состояний на основе исторических и текущих данных. Для оптимизации функции прогноза $\mathcal{F}$ задача состоит в минимизации функции потерь $\mathcal{L}$, которая отражает разницу между прогнозируемым состоянием $\hat{\mathbf{x}}_{t+T}$ и фактическим будущим состоянием $\mathbf{x}_{t+T}$ как:

$$\mathcal{L}=\mathbb{E}[\ell(\mathbf{x}_{t+T},\hat{\mathbf{x}}_{t+T})],$$

где $\ell$ — функция потерь, специфичная для задачи (например, среднеквадратичная ошибка $\ell(\mathbf{x},\hat{\mathbf{x}})=(\mathbf{x}-\hat{\mathbf{x}})^{2}$ в задачах регрессии).

5.1.2 Прогнозирующие задачи

В системах цифровых двойников модели прогнозирования играют ключевую роль в поддержании надежности (269), эффективности (260) и производительности (270) как физических, так и киберкомпонентов. Используя передовые методы ИИ, эти модели обеспечивают непрерывный мониторинг и анализ сложных данных (262, 263), выявляя закономерности и прогнозируя потенциальные проблемы (259, 271, 259, 272) до того, как они проявятся. Основные типы прогнозирования в системах цифровых двойников в целом можно разделить на две основные области: 1) принятие решений в реальном времени; 2) предиктивное обслуживание. В следующих подразделах будут подробно рассмотрены эти категории с описанием ключевых методов и задач, чтобы подчеркнуть их важность и эффективность в системах цифровых двойников.

Немедленное принятие решений. Немедленное принятие решений имеет решающее значение для систем цифровых двойников, которые создают виртуальные копии физических объектов для обеспечения непрерывного мониторинга и моделирования. Эта возможность позволяет выполнять анализ и реагирование в реальном времени с использованием текущих и исторических данных, поддерживая быстрое выявление проблем, оптимизацию операций и повышение эффективности системы. Немедленное принятие решений в системах цифровых двойников охватывает различные области, включая управление трафиком (273, 274, 275, 266, 267, 268, 276, 277, 278), промышленную логистику (279, 272, 270), здравоохранение (280, 281, 282), пожарную безопасность (271, 283, 284), мониторинг структурного состояния (259, 260, 261), управление энергопотреблением (285, 286, 287). Следующие разделы рассматривают ключевые методологии и задачи в этих областях, подчеркивая, как передовые методы ИИ способствуют принятию решений в реальном времени. a) Для управления трафиком Cai et al. (275) разработали гибридную архитектуру кодер-декодер на нейронных сетях, а именно Traffic Transformer, для прогнозирования трафика. Для моделирования пространственных зависимостей используется графовая сверточная сеть, а для моделирования временной зависимости применяется transformer, при этом предлагаются новые стратегии временного позиционного кодирования для кодирования непрерывности и периодичности временных рядов. Li et al. (266) разработали Multisensor Data Correlation Graph Convolution Network (MDCGCN), чтобы решить задачи прогнозирования потока трафика в реальном времени. Эта модель эффективно отражает динамические временные и пространственные корреляции в паттернах трафика, существенно улучшая точность прогнозирования. Аналогично, Liang et al. (267) предложили Spatial-Temporal Aware Data Recovery Network (STAR), которая использует графовые нейронные сети для восстановления отсутствующих значений в пространственно-временных данных о трафике. Этот подход обеспечивает точное восстановление данных, критически важное для мониторинга трафика в реальном времени и принятия решений в интеллектуальных транспортных системах (ITS). Kong et al. (268) представили Dynamic Graph Convolutional Recurrent Imputation Network (DGCRIN), которая моделирует динамические пространственные зависимости и использует разнородные данные для импутации отсутствующих данных о трафике, тем самым улучшая анализ данных о трафике в реальном времени. b) В промышленной логистике Wu et al. (279) представили систему, использующую промышленный Интернет вещей и сети long short-term memory (LSTM) для отслеживания производственных ресурсов в реальном времени. Эта система повышает эффективность операций, точно определяя местоположение продуктовых тележек и обеспечивая сервисы на основе местоположения. Wang and Ma (272) разработали фреймворк PhysiQ для мониторинга упражнений физиотерапии дома. Эта система использует многозадачную пространственно-временную сиамскую нейронную сеть для измерения качества упражнений, обеспечивая правильное выполнение упражнений пациентами в реальном времени. c) В области пожарной безопасности Zhang et al. (271) предложили систему Artificial-Intelligence Digital Fire (AID-Fire), которая использует convolutional LSTM нейронные сети для идентификации и мониторинга эволюции пожара в реальном времени, существенно помогая процессам тушения пожаров и эвакуации. d) В медицинской области Pan et al. (280) разработали Temporal-based Swin Transformer Network (TSTNet) для распознавания рабочего процесса хирургического видео в реальном времени, достигая высокой точности за счет моделирования временной информации и многомасштабных визуальных данных. e) В области управления батареями Li et al. (285) представили фреймворк, объединяющий convolutional neural networks и LSTM для прогнозирования деградации литий-ионной батареи в реальном времени, обеспечивая точный мониторинг состояния батареи. Аналогично, Yi et al. (286) предложили метод для прогнозирования температуры и анализа деградации литий-ионных батарей в реальном времени, используя LSTM сети для поддержания безопасности и производительности батареи..

Предиктивное обслуживание.   Предиктивное обслуживание имеет важное значение для обеспечения надежности и долговечности машин и оборудования в различных отраслях. Используя передовые методы ИИ, предиктивное обслуживание позволяет выполнять точное прогнозирование отказов оборудования (288, 289, 290, 291, 292, 263, 293) и оптимизировать графики технического обслуживания (256, 294, 269, 262). a) В производственном секторе Li et al. (288) представили иерархическую сеть сверточных нейронных сетей с вниманием по графу (HAGCN), которая объединяет пространственные и временные зависимости для прогнозирования остаточного ресурса (RUL) машин. Аналогично, Aivaliotis et al. (289) использовали симуляции, основанные на физике, для оценки RUL для промышленных роботов, демонстрируя практическую применимость интеграции цифровых моделей с данными в реальном времени. Кроме того, Luo et al. (256) предложили гибридный подход, сочетающий модельно-ориентированные и данные-ориентированные методы для точного прогнозирования ресурса станков с ЧПУ. b) Для диагностики систем и оборудования было предложено несколько методов. Yang et al. (290) представили SuperGraph — метод извлечения признаков на основе пространственно-временных графов для диагностики неисправностей вращающихся машин, который демонстрирует существенные преимущества при работе со сложными данными. Аналогично, Zhang et al. (291) реализовали систему прогнозирования неисправностей для электромеханического оборудования с использованием многомерных пространственно-временных графовых нейронных сетей, что повышает точность предсказаний. В области силовой электроники Peng et al. (292) разработали метод оценки показателя состояния без вмешательства для преобразователей DC–DC, применяя оптимизацию с помощью роя частиц для эффективного мониторинга ключевых компонентов. Рассматривая задачи в экосистеме IoT, Altun and Tavli (294) исследовали технологии распределенных реестров, чтобы предложить модель, которая повышает безопасность и масштабируемость в приложениях предиктивного обслуживания. Mubarak et al. (269) объединили машинное обучение и расширенную аналитику для создания комплексной основы для предиктивного обслуживания в Industry 4.0, оптимизируя решения по техническому обслуживанию и улучшая экономическую эффективность. c) В аэрокосмической отрасли Liu et al. (263) подчеркнули интеграцию различных источников данных для поддержки процессов принятия решений, повышая эффективность предиктивного обслуживания. Аналогично, Tuegel et al. (293) сосредоточились на реконструировании прогнозирования ресурса конструкции летательных аппаратов с использованием высокоточных моделей, обеспечивающих большую точность и безопасность при оценке целостности конструкций..

5.2 Обнаружение и диагностика аномалий

Обнаружение аномалий (то есть обнаружение неисправностей) — это процесс выявления и реагирования на необычные шаблоны или поведения в системе, которые отклоняются от нормы (295). В системах цифровых двойников, которые создают виртуальные копии физических сущностей, аномалии могут проявляться в различных формах, таких как неисправности оборудования (296, 297), неожиданные изменения эксплуатационной производительности (298, 299) или нерегулярные паттерны в данных сенсоров (300, 301). Эти аномалии могут указывать на лежащие в основе проблемы, которые способны привести к существенным сбоям сети (257, 302), угрозам безопасности (303, 304, 305) и финансовым потерям (306, 307), если их не устранить своевременно. Поэтому обнаружение аномалий имеет решающее значение для поддержания целостности (308), надежности (309) и эффективности (310, 311) систем цифровых двойников. Используя усовершенствованные алгоритмы обнаружения аномалий (например, Autoencoders, GANs и RNNs), системы цифровых двойников могут непрерывно мониторить и анализировать данные сенсоров в реальном времени и исторические эксплуатационные записи, чтобы выявлять нерегулярности (312, 313, 264), прогнозировать потенциальные отказы (258, 265, 314) и предписывать действия по обслуживанию (315, 316, 317), обеспечивая своевременные вмешательства и профилактическое обслуживание до того, как произойдут дорогостоящие поломки (318, 319). В этом разделе будут рассмотрены три аспекта с акцентом на: 1) аномалии в системах цифровых двойников; 2) типы обнаружения аномалий; 3) методы обнаружения аномалий.

5.2.1 Характеризация аномалий

Аномалии в системах цифровых двойников — это отклонения от ожидаемого поведения, которые могут указывать на лежащие в основе проблемы в физических или виртуальных компонентах системы (258, 320). Понимание этих аномалий необходимо для разработки эффективных методов обнаружения и мониторинга. В этом разделе будет представлено понятие аномалий, приведены математические определения и даны примеры, относящиеся к системам цифровых двойников.

Определение аномалий в системах цифровых двойников. Аномалия в системе цифрового двойника — это любое отклонение от ожидаемого поведения системы, которое может охватывать различные аспекты, такие как данные, процессы и показатели производительности. Формально, при заданном пространстве состояний системы $\mathcal{S}$ аномалия определяется как состояние $s\in\mathcal{S}$, которое существенно отклоняется от ожидаемого поведения $\mathcal{E}\subset\mathcal{S}$. Это может быть выражено как:

$$s\in\mathcal{A}\iff\mathbb{P}(s\mid\mathcal{E})<\epsilon,$$

где $s$ представляет состояние системы, например конкретное показание температуры или показатель производительности, такой как скорость производственной линии. Пространство состояний $\mathcal{S}$ включает все возможные состояния, в которых система может находиться, охватывая каждое возможное значение температуры, давления или показателя производительности. Ожидаемое поведение $\mathcal{E}$ представляет собой подмножество $\mathcal{S}$, включающее нормальные рабочие состояния, например диапазоны температур от 50°C до 80°C. Множество аномалий $\mathcal{A}$ включает состояния вне этого ожидаемого диапазона, например показание температуры выше 90°C. Вероятность $\mathbb{P}(s\mid\mathcal{E})$ измеряет, насколько вероятно возникновение $s$ при нормальных условиях, и если эта вероятность ниже заранее заданного порога $\epsilon$, состояние $s$ помечается как аномалия. Это общее определение охватывает различные типы аномалий, включая аномалии данных, аномалии процесса и аномалии производительности, каждая из которых указывает на различные потенциальные проблемы в системе цифрового двойника.

5.2.2 Типы и методы обнаружения аномалий

В системах цифровых двойников аномалии можно классифицировать на несколько типов в зависимости от их характеристик и влияния на систему. Следующие подразделы описывают основные типы обнаружения аномалий, необходимые в системах цифровых двойников: 1) Data-driven Anomaly Detection; 2) System-based Anomaly Detection.

Обнаружение аномалий на основе данных. Обнаружение аномалий на основе данных имеет важное значение в системах цифровых двойников, где массивные объемы данных от различных датчиков и систем непрерывно передаются и контролируются. Аномалии в данных могут возникать из множества источников, включая неисправности датчиков (314, 300, 301, 317), проблемы в сети (257, 302, 311, 319) и эксплуатационные сбои (264, 265, 298, 299). a) Аномалии данных датчиков часто вызваны отказами датчиков или неточностями при сборе данных. Для решения этой задачи применялись различные методы обнаружения аномалий. Например, Hu et al. (314) предложили замаскированный одномерный сверточный автоэнкодер (MOCAE) для диагностики неисправностей подшипников. Модель использует методы глубокого обучения для улучшения извлечения признаков и повышения точности обнаружения неисправностей. Аналогично, Darvishi et al. (300) представили глубокую рекуррентную графовую сверточную архитектуру для обнаружения, изоляции и устранения неисправностей датчиков. Этот подход строит виртуальные датчики для восстановления поврежденных данных и использует классификатор для обнаружения и изоляции неисправностей. Кроме того, Hasan et al. (301) разработали модель на основе Wasserstein GAN для раннего обнаружения неисправностей в беспроводных сенсорных сетях. Эта модель использует кодирование по угловому полю Грамма (Gramian angular field) для преобразования данных временных рядов в изображения, которые затем обрабатываются GAN для выявления аномалий, обеспечивая высокую точность обнаружения неисправностей. b) Аномалии сетевых данных возникают из-за проблем с передачей данных и сетевой производительностью (например, высокой задержки), что влияет на надежность и своевременность данных, получаемых системами цифровых двойников. Li et al. (257) решили эту задачу путем обнаружения аномалий в качестве интернет-услуг в сетях фиксированного доступа. Их система агрегирует данные из нескольких сетевых элементов и использует моделирование в реальном времени для выявления деградации качества обслуживания и сетевых неисправностей. Кроме того, подчеркивается важность ориентированного на данные промежуточного программного обеспечения (middleware) в платформах цифровых двойников большого масштаба (302). Предложенная архитектура поддерживает эффективную передачу данных внутри систем цифровых двойников, что критически важно для точного обнаружения аномалий и надежности систем. c) Аномалии эксплуатационных данных возникают из-за нерегулярностей или сбоев в процессах эксплуатации систем. Такие аномалии особенно сложно выявлять и диагностировать из-за сложных взаимодействий между различными компонентами системы. Для решения этой задачи было предложено множество методов обнаружения аномалий. Например, Lian et al (264) предложили метод выявления аномалий в многомерных временных рядах данных от нефтегазовых станций. Их подход MTAD-GAN сочетает внимание по графу знаний с темпоральным вниманием Hawkes для точного обнаружения и интерпретации эксплуатационных аномалий. В контексте энергосистем Shi et al. (298) используют теорию случайных матриц и теорию свободной вероятности для обнаружения аномалий, точно характеризуя корреляции данных и эффективно выявляя аномалии в сложных операциях. Кроме того, Hao et al. (265) разработали гибридную статистическую модель машинного обучения, которая интегрирует SARIMA и LSTM для выявления аномалий в промышленных киберфизических системах. Эта модель эффективно идентифицирует кибератаки, вредоносное поведение и сетевые аномалии с высокой точностью и низкой вычислительной сложностью, что делает ее подходящей для приложений в реальном времени.

Обнаружение аномалий на основе системы. Обнаружение аномалий на основе системы в системах цифровых двойников ориентировано на выявление и диагностику неисправностей и отклонений, возникающих в рамках общих процессов функционирования системы (318, 296, 297, 316, 315) и сетевых коммуникаций (303, 304, 305). Эти аномалии могут происходить из различных источников, таких как неисправности оборудования и кибератаки. Мы классифицируем эти аномалии на два основных типа: a) диагностика операционных неисправностей; b) кибербезопасность и сетевые коммуникации. a) Диагностика операционных неисправностей включает выявление и диагностику неисправностей в процессах функционирования систем, что может включать отказы механизмов, сбои в процессах и износ компонентов. Например, Wu et al. (318) разработали многослойную сверточную нейронную сеть для оперативной диагностики неисправностей в тележках высокоскоростных поездов, повышая безопасность и снижая затраты на техническое обслуживание. Аналогично, в производственном секторе Lv et al. (296) создали алгоритм идентификации неисправностей на основе активного обучения и нейронных сетей с предметной разностной адаптацией (DANN), который существенно улучшил точность и устойчивость диагностики неисправностей при различных условиях эксплуатации. Ghosh et al. (297) построили систему с использованием скрытых марковских моделей, чтобы описывать динамику системы и улучшать диагностику неисправностей в производственных процессах за счет более глубокого понимания, прогнозирования и поддержки принятия решений. Кроме того, Xu et al. (316) предложили двухфазный метод диагностики неисправностей с применением deep transfer learning, позволяющий осуществлять оперативный мониторинг и предиктивное техническое обслуживание путем переноса обученных моделей из виртуальных пространств в физические, тем самым сохраняя непрерывность работы в динамичных производственных средах. Помимо этого, Wang et al. (315) изучили различные модели классификации для обнаружения аномалий в smart manufacturing, продемонстрировав эффективность деревьев решений в достижении высокой точности классификации неисправностей и предотвращении операционных сбоев. b) Аномалии, связанные с кибербезопасностью и сетевыми коммуникациями, включают проблемы, относящиеся к передаче данных, производительности сети и угрозам безопасности, которые могут поставить под сомнение надежность и целостность систем цифровых двойников. Для решения этих задач исследователи разработали различные подходы. Например, Wang et al. (303) использовали скрытые марковские модели и transfer learning для выявления неисправных компонентов в виртуальных машинах в средах NFV, повышая отказоустойчивость и обеспечивая безопасные операции в сети. Аналогично, Liu et al. (304) предложили автономную защищенную сетевую архитектуру, которая объединяет агрегацию данных, модели безопасности и модели интеллектуальной конфигурации для проактивного обнаружения и снижения рисков угроз, тем самым предотвращая нарушения безопасности и потерю данных. Кроме того, Balta et al. (305) разработали надежный механизм защиты для киберфизических производственных систем. Путем различения ожидаемых аномалий и кибератак с использованием комбинации data-driven machine learning и моделей на основе физики они обеспечивают целостность производственных процессов и защищают от вредоносной активности.

Чтобы эффективно обнаруживать и реагировать на аномалии, которые проявляются как в кибернетических, так и в физических компонентах систем цифровых двойников, было внедрено множество передовых моделей машинного обучения и глубокого обучения (321, 320). Эти модели позволяют осуществлять непрерывный мониторинг и анализ сложных данных, выявлять закономерности и прогнозировать потенциальные проблемы, чтобы обеспечить надежность, целостность и эффективность систем.

Обнаружение аномалий на основе машинного обучения.   Методы обнаружения аномалий на основе машинного обучения в системах цифровых двойников используют набор традиционных алгоритмов для выявления отклонений в различных областях. Эти методы включают кластеризацию и методы на основе расстояний (322, 323, 324, 325), вероятностные подходы (326, 327, 313, 328, 329, 309), а также дискриминативные модели (330, 331, 315, 332, 333, 334); каждая из них предлагает собственные сильные стороны в обработке данных высокой размерности, выявлении сложных закономерностей и обеспечении надежных решений для обнаружения аномалий в реальном времени и диагностики неисправностей. a) Методы кластеризации и на основе расстояний эффективны для приложений, где требуется быстрый и адаптивный отклик на аномалии. Shetve et al. (322) предлагают адаптивную N-шаговую технику, которая объединяет DBSCAN, Isolation Forest и Local Outlier Filter для достижения высокой точности при обнаружении аномалий в средах умственного производства. Zhang et al. (323) улучшают k-ближайших соседей (kNN), вводя взвешенные расстояния для повышения точности обнаружения неисправностей в мультимодальных процессах. В здравоохранении Sarris et al. (324) разрабатывают алгоритм на основе K-means для выявления опухолей головного мозга по снимкам МРТ, в то время как Abirami и Karthikeyan (325) предлагают оптимизированный классификатор на основе нечетких k-ближайших соседей для раннего выявления болезни Паркинсона. b) Вероятностные методы обеспечивают надежные решения для управления неопределенностью и сложными взаимосвязями данных. Ademujimi and Prabhu (326) используют Bayesian Networks, обученные с применением подхода к ко-симуляции, для диагностирования неисправностей в системах умственного производства. Ruah et al. (327) представляют байесовскую структуру для обнаружения аномалий в беспроводных системах, которая рассматривает неопределенность модели для повышения качества обнаружения и оптимизации данных. В распределительных сетях Shi et al. применяют метод на основе теории случайных матриц (RMT) для раннего обнаружения аномалий с использованием данных SCADA (313) и подход для анализа пространственно-временной корреляции для локализации аномалий (328). Yu et al. (329) предлагают непараметрическую байесовскую сеть для мониторинга состояния, используя улучшенный Gaussian particle filter (GPF) и модель смесей на основе процесса Дирихле (DPMM) для обновлений в реальном времени. Maleh (309) демонстрирует эффективность моделей машинного обучения в кибербезопасности для систем IoT, достигая высокой точности даже в условиях ограниченных ресурсов. c) Дискриминативные модели, такие как support vector machines (SVM), эффективны при определении границ решений для задач классификации. Gaikwad et al. (330) интегрируют тепловые симуляции и данные сенсоров в рамках машинного обучения, используя SVM для выявления неисправностей процесса при аддитивном производстве. Yin and Hou (331) подчеркивают преимущества SVM для мониторинга и диагностики неисправностей в сложных промышленных процессах, акцентируя внимание на ее обобщающей способности и пригодности для сценариев с небольшими выборками.

Обнаружение аномалий на основе глубокого обучения.   Методы обнаружения аномалий на основе глубокого обучения существенно расширили возможности систем цифровых двойников, задействовав сложные архитектуры нейронных сетей для выявления сложных закономерностей и отклонений в различных предметных областях. Эти методы включают автоэнкодеры (312, 314, 316), генеративно-состязательные сети (GANs) (258, 301, 264), сверточные нейронные сети (CNNs) (335, 336), рекуррентные нейронные сети (RNNs) (337, 308) и гибридные методы (300, 265), каждый из которых дает свои преимущества в моделировании многомерных данных, в выявлении временных и пространственных зависимостей, а также в обеспечении надежного обнаружения аномалий и диагностики неисправностей. a) Автоэнкодеры и их варианты особенно эффективны для обнаружения аномалий без учителя и извлечения признаков. Castellani et al. (312) представляют слабо контролируемый подход с использованием Siamese Autoencoders (SAE) для обнаружения промышленных аномалий, превосходя современные методы в различных условиях. Hu et al. (314) предлагают замаскированный одномерный сверточный автоэнкодер (MOCAE) для диагностики неисправностей подшипников, демонстрируя превосходные результаты на реальных наборах данных подшипников. Аналогично, Xu et al. (316) используют глубокое передаточное обучение с моделью Stacked Sparse Autoencoder (SSAE) для высокоточной диагностики неисправностей в динамических производственных процессах. b) Генеративно-состязательные сети (GANs) доказали свою эффективность при моделировании сложных распределений данных и при генерации реалистичных данных для обнаружения аномалий. Xu et al. (258) представляют подход на основе GAN под названием ATTAIN для киберфизических систем, используя модули GCN-LSTM для усиления возможностей обнаружения аномалий. Hasan et al. (301) предлагают модель на основе Wasserstein GAN для раннего обнаружения дрейфовых неисправностей в беспроводных сенсорных сетях, достигая высокой точности при выявлении отказов датчиков. Lian et al. (264) вводят управляемую цифровым двойником MTAD-GAN для обнаружения аномалий во многомерных временных рядах на станциях добычи нефти и газа, используя механизмы внимания для улучшения качества обнаружения. c) Сверточные нейронные сети (CNNs) применяются благодаря их способности работать с пространственными данными и извлекать иерархические признаки. Например, Danilczyk et al. (335) используют CNN в среде ANGEL Digital Twin для обнаружения и классификации неисправностей в энергетических системах с помощью высокоточных данных измерений. Li et al. (336) применяют многомерную деконволюционную сеть с механизмами внимания для обнаружения аномалий в реальном времени в системах промышленного управления. d) Рекуррентные нейронные сети (RNNs), особенно сети LSTM, хорошо подходят для выявления временных зависимостей в последовательных данных. Например, Feng и Tian (337) предлагают метод NSIBF, объединяющий нейронную идентификацию системы и байесовскую фильтрацию, для надежного обнаружения аномалий в киберфизических системах. Kumar et al. (308) интегрируют LSTM-SAE и BiGRU с механизмами self-attention для защищенной связи в сетях IIoT, усиленных цифровыми двойниками, улучшая возможности обнаружения вторжений. e) Другие гибридные методы, такие как глубокие рекуррентные графовые сверточные архитектуры, также использовались для решения задач обнаружения неисправностей датчиков и их последующей адаптации. Darvishi et al. (300) представляют глубокую рекуррентную графовую сверточную архитектуру для обнаружения, изоляции и адаптации неисправностей датчиков в крупномасштабных сетевых системах. Кроме того, исследовались гибридные подходы, сочетающие глубокое обучение с другими методами. Hao et al. (265) разрабатывают гибридную модель, объединяющую SARIMA и LSTM для обнаружения аномалий в реальном времени в сетях ICS, обеспечивая высокую точность обнаружения при низкой вычислительной сложности.

5.3 Оптимизация и управление

Методы оптимизации и управления с усилением за счет ИИ представляют собой значительный прогресс в управлении сложными системами, объединяя возможности искусственного интеллекта с детальным моделированием и симуляцией, обеспечиваемыми цифровыми двойниками (338). Такая интеграция приводит к более разумным, более оперативным и прогнозирующим механизмам оптимизации и управления (339, 340). Усиление ИИ в цифровых двойниках для систем оптимизации и управления можно увидеть в следующих аспектах, включая оптимизацию, усиленную за счет ИИ, и адаптивное управление.

5.3.1 Стратегии оптимизации

Традиционные методы оптимизации на основе математического программирования для цифровых двойников часто испытывают трудности при работе со сценариями, требующими быстрого реагирования или сложных изменений окружающей среды, которые требуют непрерывной адаптивности (341). Методы оптимизации, усиленные ИИ, могут в некоторой степени решить эти проблемы (342). Этот раздел будет разделен на две части: первая часть будет посвящена тому, как ИИ повышает скорость реакции, чтобы улучшить оптимизацию в режиме реального времени для цифровых двойников, тем самым повышая производительность системы и снижая потребление ресурсов; вторая часть кратко суммирует, как ИИ улучшает адаптивность, что приводит к лучшей устойчивости и улучшенному обращению с неопределенностями в задачах адаптивной оптимизации для цифровых двойников.

Оптимизация в реальном времени.   Оптимизация в реальном времени относится к немедленной настройке физических систем на основе данных датчиков в реальном времени и результатов моделирования для оптимизации производительности системы. В связанных задачах, где требуется немедленное принятие решений и быстрый отклик, ИИ повышает скорость реагирования и эффективность принятия решений, улучшая качество решений. Например, ранняя работа (343) представляет методологию оптимизации в реальном времени на основе обучения с подкреплением (RL-RTO) для технологических систем, которая интегрирует оптимальное принятие решений в нейронную сеть, в отличие от традиционных решений с многократным использованием модели процесса. Подход RL-RTO, продемонстрированный на примере химического реактора, показывает потенциальную возможность улучшения годовой прибыли на 9,6%, хотя он по-прежнему уступает традиционному методу «первые принципы» в сочетании с нелинейным программированием, который обеспечил улучшение на 17,2%. Далее, Dong-Hoon Oh et al. (344) вводят стратегию обучения с подкреплением actor-critic для оптимизации операций гидрокрекинговой установки, разработанную на основе валидированной математической модели с ошибкой менее 2%. Подход обеспечивает оптимальные рабочие условия с точностью 97,86% и 98,5%, демонстрируя быстрое время отклика, низкую вычислительную нагрузку и высокую настраиваемость, что делает его подходящим для практической онлайн-оптимизации и адаптируемым к другим химическим отраслям. Более недавно исследователи (345) рассмотрели стоящие задачи оптимизации в процессах биофармацевтического производства с fed-batch, предложив RL-фреймворк, включающий знания человека. Проверенная с помощью специализированного симулятора схема RL повышает выходы партии на 14% при минимальном времени онлайн-вычислений, демонстрируя значительный потенциал по сравнению с существующими методами. Кроме того, целая серия исследований (346, 347, 348) изучала применение RL для генерации оптимальных решений в реальном времени для цифровых двойников. В итоге RL дает преимущество обучения оптимальной политики вместо оптимизации действий на каждом шаге времени. После идентификации оптимальной политики экономичный прямой проход через функцию позволяет быстро получить онлайн-решение, обеспечивая более быстрое принятие решений.

Адаптивная оптимизация. Адаптивная оптимизация — это метод, который динамически изменяет параметры оптимизации или стратегии в ответ на данные обратной связи в реальном времени и меняющиеся условия, чтобы постоянно улучшать производительность и справляться с неопределенностями. Однако традиционные методы математического программирования часто предполагают относительно статичные модели, которые с трудом позволяют многократно перенастраивать или корректировать параметры для обработки сложных и изменяющихся сценариев (349). Собирая данные в реальном времени и выполняя соответствующие корректировки, ИИ может лучше решать эти задачи. В первые годы исследовательские усилия были сосредоточены на использовании традиционных методов машинного обучения для достижения более эффективной адаптивной оптимизации (350, 351). Хотя приведенные выше результаты и методы в определенной степени могут решать оптимизацию параметров процесса, их динамика недостаточно хороша, и они не могут эффективно адаптироваться к изменяющейся среде (349). Liu et al. (352) предлагает ИИ-основанный метод адаптивной оптимизации для прогнозирования шероховатости поверхности и адаптивной корректировки параметров процесса при обработке деталей, устраняя ограничения традиционных методов оптимизации при работе с факторами реального времени и неопределенности. Построив цифровой двойник и используя сочетание Particle Swarm Optimization и Generalized Regression Neural Networks, этот метод обеспечивает мониторинг в реальном времени, прогноз износа инструмента и шероховатости поверхности, а также адаптивную оптимизацию режимов резания, тем самым улучшая как качество, так и эффективность процесса механической обработки. В последнее время Yang et al. (353) представляют метод адаптивной оптимизации в сочетании с federated learning, который использует преимущества federated learning при работе с неоднородными данными. Этот метод повышает скорость сходимости более чем на 60% и снижает потребление трафика более чем на 60%. Интегрируя различные технологии ИИ, можно более эффективно преодолеть ограничения традиционных методов оптимизации с точки зрения динамичности, тем самым усиливая адаптивную оптимизацию и улучшая эту задачу для цифровых двойников.

5.3.2 Адаптивное управление

Адаптивное управление — это метод, применяемый для повышения эффективности или снижения затрат ресурсов физических систем за счет использования результатов моделирования в реальном времени и данных с датчиков. В частности, благодаря усовершенствованиям обучения с подкреплением адаптивное управление играет ключевую роль в различных приложениях, включая регулирование производственного оборудования (354), робототехнику (355) и автономное вождение (356). В этом разделе мы сосредоточимся на представлении наиболее показательной технологии ИИ, применяемой в стратегиях управления — Reinforcement Learning (RL), и на обобщении ее преимуществ по сравнению с традиционными методами управления, такими как Proportional-Integral-Derivative (PID) Control и Model Predictive Control.

Усиленное обучение и ПИД-регулирование. В задачах управления для цифровых двойников наиболее традиционным и широко используемым регулятором является ПИД-регулятор. Однако ПИД-регулирование с трудом справляется с высокоразмерными, сильно нелинейными и изменяющимися во времени системами. При интеграции с методами Reinforcement Learning эти трудности в определенной степени могут быть преодолены. Один из подходов включал применение RL-агентов для настройки параметров ПИД-регуляторов. Ранние попытки (357) использовали инкрементальную стратегию Q-Learning для настройки ПИД-регулятора в режиме онлайн. Этот алгоритм динамически расширяет таблицу Q-значений в направлении как пространства действий, так и пространства состояний посредством методов дискретизации, чтобы создать дискретную, но при этом точную модель настройки. Другие методы применяли алгоритм Continuous Action RL Automata и сеть Radial Basis Function Actor-Critic для настройки ПИД-регулятора. Тем не менее, эти методы не полностью устраняют проблемы линейности, присущие ПИД-регуляторам. Кроме того, предпринимались попытки полностью заменить ПИД-регуляторы на RL. В одном исследовании (358) удалось реализовать алгоритм DDPG для разработки интеллектуальной стратегии управления переходной характеристикой системы турбонаддува с изменяемой геометрией. Аналогично, другие исследователи (359) предложили RL-модели в качестве замены ПИД-регуляторов.

Усилива‌емое обучение и модельное прогнозирующее управление. Модельное прогнозирующее управление (MPC) также является широко используемой техникой управления, особенно подходящей для систем управления, которым требуются упреждающие действия. Она широко применяется в таких областях, как автономное вождение и робототехническое управление. Хотя MPC может работать со сложными многомерными системами, она сталкивается с проблемами вычислительной сложности и точности модели. Интеграция RL с MPC предлагает многообещающие решения этих проблем. Один из подходов заключается в использовании RL для улучшения работы контроллеров MPC. Был предложен адаптивный контроллер на основе цифрового двойника, который интегрирует симуляции software-in-loop (SIL) и hardware-in-loop (HIL) (360). Этот метод позволяет выполнять оптимизацию параметров MPC в реальном времени, повышая его способность справляться с нелинейными и меняющимися во времени системами. Другая стратегия использует RL для прямой замены традиционных алгоритмов MPC. Исследователи разработали модели политик DQN, способные регулировать сложные системы при реалистичных возмущениях, меняющихся во времени (361). Такие контроллеры на основе RL могут адаптироваться к изменяющейся динамике системы без необходимости явных обновлений модели, что является существенным преимуществом по сравнению с традиционным MPC. Цифровые двойники играют критически важную роль в разработке систем RL-MPC. Создавая точные виртуальные представления физических систем, цифровые двойники обеспечивают безопасные среды для обучения и тестирования алгоритмов RL до развертывания. Например, сеть LSTM была использована для захвата полной динамики системы управления, выступая в качестве цифрового двойника для обучения RL (362). Интеграция RL и MPC показала многообещающие результаты для задач управления цифровых двойников.

6 К автономному управлению цифровыми двойниками

6.1 Когнитивные возможности для автономного управления

Автономное управление опирается на когнитивный слой цифрового двойника, который позволяет ему понимать человеческие намерения и интерпретировать динамическое состояние системы, которой он управляет. Эти когнитивные возможности образуют основу интеллектуального управления: двойник сначала должен уяснить, что необходимо достичь, и воспринять, как система в настоящее время ведет себя. Модели больших языков предоставляют механизм для понимания и перевода команд на естественном языке в операции управления, тогда как базовые модели обеспечивают восприятие в рамках нескольких модальностей данных. Вместе они создают семантический мост между человеческими намерениями, пониманием окружающей среды и автономным принятием решений. Следует отметить, что текущие LLM- или диффузионные модели мира не гарантируют физическую достоверность или устойчивость замкнутого контура, и их роль в цифровых двойниках остается в значительной степени исследовательской.

6.1.1 Естественноязыковое взаимодействие с LLMs

Взаимодействие на естественном языке позволяет цифровым двойникам понимать и отвечать на человеческие инструкции интуитивным образом (363). Вместо того чтобы полагаться на заранее заданные сценарии или ручную настройку, операторы могут напрямую формулировать цели управления с помощью обычного языка, например “reduce energy consumption without slowing production” или “check whether the network is operating normally.” Большая языковая модель интерпретирует эти инструкции, извлекает поддающиеся действиям сущности и преобразует их в формальные цели, которые двойник может выполнять (364). Этот естественный интерфейс превращает управление цифровым двойником из высокотехнического процесса в доступную и совместную деятельность (365).

От языка к решениям управления. Способность преобразовывать человеческий язык в действия системного уровня представляет собой центральный когнитивный прорыв для автономного управления. Большие языковые модели могут анализировать произвольный текст в виде структурированных намерений, выявляя релевантные переменные, ограничения и цели, связанные с задачей. Затем они сопоставляют эти структурированные цели с внутренними модулями управления или инструментами моделирования посредством согласования схем и вызова функций (366). Например, когда пользователь запрашивает «оптимизировать пропускную способность, удерживая температуру ниже 70°C», модель преобразует эту формулировку в измеримые цели, которые задают целевые параметры оптимизации и граничные условия для модуля планирования. Этот процесс усиливается благодаря рассуждениям с извлечением, когда модель обосновывает свои решения на основе данных системы в реальном времени и ранее накопленных управленческих записей (367). Встраивая контекстную информацию из журналов датчиков, данных о прошлой производительности и файлов конфигурации, модель избегает спекулятивных рассуждений и гарантирует, что сгенерированные действия управления согласованы с текущим состоянием физической системы. В результате язык перестаёт быть туманной или двусмысленной формой коммуникации; он становится прямым, интерпретируемым интерфейсом между человеческой экспертизой и машинным исполнением. И что более важно, это преобразование также обеспечивает адаптивность. Когда система получает частично заданные или противоречивые цели, модель может запросить уточнения, согласовать ограничения или восстановить недостающие детали, опираясь на исторические закономерности. Этот двунаправленный цикл рассуждений гарантирует, что человеческие намерения точно переводятся в точные операционные инструкции, поддерживая как эффективность, так и безопасность автономного управления.

Интерфейсы управления диалогом. Помимо разовых инструкций, большие языковые модели обеспечивают непрерывный диалог между людьми и цифровыми двойниками. Через диалоговые интерфейсы система может предоставлять сводки о своем текущем состоянии, сообщать о выполняемых операциях и обосновывать запланированные решения (368). Например, после выполнения оптимизации обслуживания двойник может ответить: «Мощность охлаждения была снижена на 10%, энергопотребление уменьшилось на 12%, и перегрев не обнаружен». Такая прозрачность позволяет пользователям оставаться в курсе без микроменеджмента процесса. Непрерывный разговор также обеспечивает динамическое сотрудничество. Пользователи могут уточнять цели на естественном языке, например: «снижать температуру быстрее, но избегать превышения», и система сразу корректирует свой план, заново оценивая компромиссы через свой модуль внутреннего рассуждения (365). Такая адаптивность превращает управление в непрерывные переговоры между человеком и машиной, где язык служит средством для общего понимания. Кроме того, разговор задает механизм подотчетности. Двойник может объяснить, почему он принял конкретное решение, сослаться на использованные данные и количественно оценить неопределенность в своих прогнозах. Эти объяснения в форме диалога не только повышают доверие, но и создают основу для регуляторной прозрачности и обеспечиваемой проверяемости (аудитопригодности), которые необходимы в предметных областях, критичных к безопасности, таких как управление производством и инфраструктурой.

6.1.2 Мультимодальное восприятие с базовыми моделями

Способность цифрового двойника управлять автономно зависит не только от понимания инструкций, но и от точного восприятия окружающей среды. Базовые модели расширяют восприятие за пределы отдельных датчиков, обучаясь совместным представлениям по изображениям, сигналам и тексту (217). Эта мультимодальная возможность позволяет двойнику интерпретировать сложные операционные контексты—выявлять закономерности, распознавать аномалии и делать выводы о скрытых условиях, которые могут быть неочевидны из одного потока данных (369). Тем самым она соединяет разрыв между физическими явлениями и цифровым осознанием.

Понимание многомодальных данных.   Базовые модели учатся интерпретировать различные типы данных, кодируя их в общее семантическое пространство. Они объединяют информацию с камер, датчиков вибрации, акустических сигналов, тепловых матриц и текстовых журналов, чтобы сформировать целостное представление о состоянии системы (370). Например, модель может связать едва заметный рисунок шума с аномальной частотой вибрации, выявляя потенциальный механический дисбаланс до того, как традиционная диагностика обнаружит его. Это обеспечивает форму перцептивного интеллекта, выходящую за рамки статических порогов и переходящую к контекстному рассуждению. Преобразуя многомодальные сигналы в интерпретируемые встраивания, модель может распознавать конфигурации системы, режимы работы и ранние признаки деградации. Эта возможность повышает осведомлённость об обстановке и создаёт более прочную основу для прогнозирования и управления. По мере изменения сред модель продолжает адаптироваться за счёт пошаговой донастройки, позволяя восприятию оставаться точным даже в новых условиях или при новых конфигурациях датчиков (365). Понимание многомодальных данных поддерживает семантическую согласованность между физическим и цифровым уровнями. Когда система наблюдает расхождения, например когда показания датчиков указывают на стабильность, но видеоданные выявляют нерегулярности, она может сигнализировать об этих несоответствиях для проверки. Эта способность к перекрёстной валидации сигналов между модальностями усиливает надёжность и предотвращает слепые зоны при автономном управлении.

Мультимодальное слияние для осознания системы.   Механизмы слияния объединяют разнородные потоки информации в единое представление ситуации, отражающее общее состояние системы (365). Благодаря пространственному и временному согласованию двойник синтезирует локализованные сигналы в согласованное глобальное представление. Например, данные от распределенных датчиков по энергетической сети можно объединять со спутниковыми изображениями и журналами обслуживания, чтобы оценивать как эксплуатационные показатели, так и модели экологического стресса. Такое интегрированное осознание позволяет двойнику рассуждать о взаимодействиях между компонентами, а не рассматривать каждый подсистему изолированно. Это осознание, основанное на слиянии, также поддерживает упреждающее поведение. Цифровой двойник может обнаруживать возникающие закономерности, предвосхищать каскадные эффекты и заранее корректировать стратегии управления. Отслеживая корреляции между модальностями, он учится причинно-следственным связям, связывающим физические состояния с эксплуатационными результатами. В итоге это не только более богатое восприятие, но и воплощенное понимание динамики системы. Наконец, поддержание осознания требует от двойника прозрачно представлять неопределенность. Фундаментальные модели оценивают достоверность прогнозов и связывают каждый вывод с поддающимися проверке свидетельствами (371). Эта информация передается модулям планирования и принятия решений, гарантируя, что высокорисковые суждения обрабатываются осторожно или передаются на контроль человека. Таким образом, мультимодальное слияние преобразует исходные данные в поддающееся действию осознание, выступая перцептивным аналогом процессов рассуждения и планирования, которые определяют автономное управление.

6.2 Обеспечение автономных решений и планирования

Поскольку когнитивные возможности позволяют цифровому двойнику понимать намерения и воспринимать состояние системы, автономное управление дополнительно требует способности принимать решения, планировать действия и адаптироваться к изменяющимся условиям без явного вмешательства человека. В этом разделе рассматривается, как агентно-ориентированное рассуждение и адаптивное обучение обеспечивают механизм принятия решений, и как самооптимизация и контурное управление замыкают цикл автономного управления. Вместе эти элементы реализуют парадигму MAPE-K, позволяя цифровым двойникам непрерывно отслеживать, анализировать, планировать, выполнять и совершенствовать свои стратегии управления.

6.2.1 Агентное рассуждение и адаптивное обучение

Агентное рассуждение наделяет цифрового двойника модульной структурой, способной действовать разумно в сложных средах (372). Каждый агент воплощает автономность, восприятие, рассуждение и обучение, функционируя как и орган принятия решений, и исполнитель задач управления. В рамках системы цифрового двойника агенты воспринимают входные данные среды, анализируют контекстную информацию, формируют планы управления и выполняют действия посредством взаимодействий с лежащими в основе физическими или смоделированными системами. Усиленное обучение и непрерывное обучение дополнительно позволяют этим агентам уточнять стратегии на основе опыта и координировать взаимодействие с другими в многоагентных сценариях (373, 374, 375).

Архитектура агента для автономного управления.   Архитектура агента формирует операционную основу автономного управления. Обычно она организована согласно циклу MAPE-K: агент непрерывно наблюдает состояния системы, анализирует закономерности, планирует вмешательства, выполняет действия и обновляет свою базу знаний (376). Этот цикл превращает управление из реактивного в упреждающее, позволяя цифровому двойнику поддерживать стабильную работу даже в условиях неопределенности. Архитектура обычно включает четыре уровня: уровень восприятия, который собирает многомодальные сигналы; уровень анализа, который диагностирует состояния или предсказывает исходы; уровень планирования, который формулирует адаптивные стратегии; и уровень исполнения, который взаимодействует с исполнительными механизмами или модулями симуляции (377). Эти уровни взаимодействуют двунаправленно, гарантируя, что каждое действие опирается на текущие наблюдения, а результаты возвращаются в контур обучения и оптимизации. Практический пример — автономная работа промышленных установок. Агенты непрерывно оценивают показатели производительности, выявляют узкие места и координируют действия, такие как регулирование температуры или распределение ресурсов (378). Когда система отклоняется от желаемой производительности, уровень планирования предлагает новые конфигурации, а уровень исполнения реализует их автоматически. Компонент знаний хранит контекстные правила, такие как причинно-следственные связи между управляющими переменными и исходами, позволяя системе рассуждать о том, «почему» определенные стратегии работают, и повторно использовать их в будущих сценариях. Кроме того, агентные фреймворки поддерживают иерархическое и распределенное управление. Локальные агенты решают задачи оптимизации подсистем, тогда как агенты более высокого уровня координируют глобальные цели, обеспечивая согласованность между индивидуальными действиями и производительностью системы в целом. Такая организация дает масштабируемость и устойчивость: локальные сбои могут быть компенсированы соседними агентами без централизованного управления (372).

Обучение на управленческом опыте. Адаптивное обучение преобразует цифровой двойник из статической системы управления в самоулучшающуюся сущность. Посредством обучения с подкреплением (RL) агенты учатся управленческим политикам, которые максимизируют долгосрочные вознаграждения, а не текущую результативность (379). Каждый опыт, включая успех, неудачу или аномалию, способствует уточнению этих политик, позволяя двойнику заранее предвидеть последствия своих действий в сходных будущих контекстах. Со временем это непрерывное улучшение приводит к устойчивым и эффективным стратегиям управления. Например, рассмотрим агента, управляющего потреблением энергии в ЦОД. Сначала он может исследовать различные стратегии охлаждения с помощью моделирования. По мере накопления обратной связи по стабильности температуры, стоимости и задержкам он постепенно осваивает оптимальную политику управления, которая уравновешивает энергоэффективность и производительность (373). Этот процесс напоминает приобретение человеческого опыта — обучение не только на положительных результатах, но и на ошибках, которые помогают принимать более качественные решения. Помимо обучения одного агента, совместное обучение между несколькими цифровыми двойниками усиливает глобальный интеллект. Когда опыт из одной системы передаётся другой через federated или transfer learning, коллективная база знаний увеличивается (380). Это позволяет быстро адаптироваться к новым условиям без необходимости начинать с нуля, способствуя формированию «организационной памяти» для сложных сетей инфраструктуры. В конечном итоге обучение на управленческом опыте позволяет цифровым двойникам развиваться за пределы заранее запрограммированного поведения, обеспечивая самонастройку в динамичных, неопределённых и насыщенных данными средах.

6.2.2 Самооптимизация и контур управления с обратной связью

Самооптимизация является кульминацией автономного управления, когда цифровые двойники больше не полагаются на внешние команды, а непрерывно совершенствуют свою работу за счет замкнутой контурной обратной связи (381). Система наблюдает за собственным поведением, выявляет неэффективности и автоматически внедряет корректирующие действия. При сочетании с предиктивными и когнитивными возможностями замкнутый контур управления превращает двойника в автономную сущность, способную поддерживать оптимальную производительность при минимальном надзоре.

Автономное замкнутое контурное управление.   Замкнутое контурное управление завершает цикл автономного управления, непрерывно связывая восприятие, рассуждение и выполнение (382). В этой парадигме цифровой двойник осуществляет мониторинг данных в реальном времени, обнаруживает отклонения от ожидаемых показателей и запускает самокорректирующие действия. Цикл MAPE-K становится работоспособным в контексте реального времени: Monitor для захвата данных о состоянии, Analyze для выявления аномалий или прогнозирования исходов, Plan для формирования вмешательств, Execute для применения корректировок и Knowledge для обновления будущих стратегий (376). Например, в интеллектуальном производстве, когда датчики вибрации указывают на возможную усталость оборудования, цифровой двойник прогнозирует горизонт отказа и автономно планирует техническое обслуживание до того, как произойдет поломка (383). Затем система оценивает эффективность своего вмешательства, обучаясь по результату, чтобы улучшать будущие реакции. Этот цикл обнаружения, действия и доработки обеспечивает постоянную адаптацию к изменяющимся условиям эксплуатации. Преимущество автономного замкнутого контурного управления заключается в его способности обеспечивать устойчивую оптимизацию производительности. В отличие от разомкнутых систем, которые зависят от периодической калибровки или ручной корректировки, замкнутый контур позволяет непрерывно обучаться, выполнять перекалибровку моделей и адаптировать политики. Со временем двойник становится более компетентным в самостоятельном управлении, сокращая разрыв между оптимизацией на основе моделирования и реальной автономностью эксплуатации (381).

Совместное управление человек—ИИ. Несмотря на прогресс автономности, полная независимость от надзора человека редко бывает желательной или безопасной. Совместная работа человека и ИИ по-прежнему необходима, чтобы уравновешивать эффективность и ответственность (384). Рамочные модели совместного управления задают различные уровни автономности — от полностью ручного управления до полностью автономной работы — позволяя человеку вмешиваться, когда неопределённость или риск превышают заранее заданные пороговые значения. На промежуточных уровнях автономности цифровой двойник выступает в роли интеллектуального помощника: он предлагает действия, объясняет свои рассуждения и выполняет задачи после одобрения. Этот совместный рабочий процесс повышает качество принятия решений человеком, перекладывая на систему сложные вычисления, но сохраняя прозрачность и доверие (385). Например, в управлении энергосетями двойник может автономно регулировать напряжение для стабилизации поставок, но решения по отключению нагрузки передаёт операторам-человекам, когда последствия являются этически или экономически чувствительными. Сотрудничество распространяется также на обучение. Человеческие эксперты могут направлять двойник, предоставляя обратную связь о реакции системы или размечая исключительные случаи для повторного обучения модели (384). Такая гибридная обратная связь ускоряет схождение обучения, одновременно гарантируя, что автономное управление согласуется с человеческими ценностями и нормативными ограничениями. В конечном счёте цель совместного управления человек—ИИ заключается не в том, чтобы заменить человеческое суждение, а в том, чтобы усилить его — создавать цифровые двойники, которые не только самоуправляемы, но и самопоясняемы, а также подотчётны в рамках ориентированных на человека систем.

7 Приложения

7.1 Система здравоохранения

Быстрое внедрение электронных медицинских карт (EHRs), а также появление цифрового и интеллектуального здравоохранения ускорили интеграцию различных технологий, направленных на оптимизацию работы системы здравоохранения, улучшение исходов для пациентов и снижение затрат на здравоохранение (386, 387, 388). Среди этих инноваций технология цифрового двойника играет важную роль, позволяя моделировать сложные системы и интегрировать виртуальные представления реальных объектов с ИИ для преобразования здравоохранения (389, 390, 391, 392). В следующих разделах мы обозначили несколько ключевых применений технологии цифрового двойника (DT) в основных областях здравоохранения, включая клиническую практику, клинические исследования, разработку лекарственных препаратов, моделирование заболеваний и прецизионную медицину (393, 394).

Оптимизация клинических рабочих процессов.  По мере того как больницы переходят от традиционной практики к управляемым технологиями информационным системам, цифровые двойники становятся необходимыми для мониторинга операций и управления ресурсами (2, 395). Путем интеграции данных EHR в реальном времени и за прошлые периоды для моделирования использования клинических ресурсов и процессов на уровне системы цифровые двойники выступают как адаптивные виртуальные среды для принятия операционных решений. Эти модели выходят за рамки простого прогнозирования, позволяя администраторам здравоохранения тестировать сценарии вмешательств и предписывать стратегии, основанные на данных, для оптимизации укомплектования персоналом, использования коек и развертывания оборудования. (396, 397). Такая поддержка принятия решений на основе моделирования гарантирует, что ресурсы используются оптимально, снижая потери и операционные затраты. Например, Siemens Healthineers использовала цифровые двойники в Mater Private Hospital в 2018 году, чтобы смоделировать рабочие процессы МРТ и КТ, выявив потенциальные улучшения и существенно улучшив качество пациентского опыта (3). Кроме того, цифровые двойники облегчают планирование сценариев и принятие решений, позволяя больницам готовиться к различным непредвиденным обстоятельствам, таким как внезапный приток пациентов или изменения в политиках здравоохранения (398, 399). Это приводит к повышению гибкости, устойчивости и общего качества ухода в условиях больницы. Karakra et al. представили модель цифрового двойника на основе дискретно-событийного моделирования для оценки эффективности текущих систем оказания медицинской помощи и анализа влияния изменений в услугах без нарушения ежедневных операций (400). В 2019 году Karakra et al. далее разработали HospiT’Win — виртуальную копию больницы, которая позволяет поставщикам медицинских услуг отслеживать пути пациентов, контролировать поведение и прогнозировать будущие исходы (401).

⟦Figure 4: Пациентоцентричная платформа цифрового двойника для здравоохранения. Многoисточниковые данные пациентов, включая сигналы физиологического мониторинга в реальном времени, электронные медицинские карты, клинические измерения, результаты лабораторных исследований, генетические и лекарственные данные, непрерывно поступают в платформу цифрового двойника через прием и мониторинг данных. Цифровой двойник позволяет выполнять моделирование заболеваний и аналитические исследования, а также симуляцию лечения и персонализацию, формируя практические выводы, которые поддерживают клиническое принятие решений и проведение вмешательств. Закрывая цикл между данными, моделированием и вмешательствами, данная архитектура способствует созданию виртуальных клинических рабочих процессов, проведению операционных испытаний и открытию лекарственных препаратов, а также ускоряет исследования, в конечном итоге улучшая качество медицинской помощи пациентам, снижая затраты и обеспечивая персонализированную медицину.

Клиническое испытание.   Помимо оптимизации рабочих процессов в здравоохранении, цифровой двойник также существенно способствует достижениям в клинических исследованиях (402). Он может обладать преобразующим потенциалом для усиления проектирования и эмуляции клинических испытаний, устраняя сохраняющиеся барьеры, такие как отсутствие контрольных групп, небольшие когорты и ограниченная обобщаемость, тем самым продвигая генерацию доказательств в медицинских исследованиях (403). Например, цифровые двойники используют передовые модели искусственного интеллекта и машинного обучения для создания виртуальных пациентов, моделируя контрфактические исходы и позволяя испытаниям сохранять статистическую мощность при меньшем числе участников (404, 405). Такой подход потенциально может сокращать длительность и стоимость клинических испытаний, поскольку обеспечивает параллельное моделирование нескольких сценариев, тем самым снижая потребность в масштабных испытаниях на людях и ускоряя разработку новых методов лечения (406). Например, в 2021 году Qian et al. предложили SyncTwin — метод, который обучается представлению пациента с постоянной во времени, специфичному для конкретного пациента, по данным наблюдений до лечения, чтобы создать цифровой двойник, который тесно соответствует целевому пациенту, обеспечивая точные контрфактические прогнозы (407). Аналогично, в 2023 году Das and Wang et al. представили TWIN — модель, которая улучшает клинические испытания, создавая персонализированные виртуальные модели пациентов с использованием large language models (408). Эти цифровые двойники моделируют траектории состояния здоровья пациента и предсказывают клинические исходы на основе данных реального мира, демонстрируя существенные достижения в эффективности и точности испытаний, которые может обеспечить технология цифровых двойников.

Разработка и открытие лекарственных средств.   Открытие лекарственных средств включает выявление потенциально новых медикаментов, понимание их механизмов и оптимизацию их эффективности и безопасности до того, как они смогут перейти к испытаниям на людях (409, 410, 411). Процесс открытия и разработки лекарственных средств с использованием технологии цифровых двойников включает создание виртуальных моделей биологических систем для симуляции механизмов заболевания и взаимодействий лекарств (412, 46). Обычно он начинается с идентификации и валидации терапевтических мишеней путем моделирования клеточных процессов и взаимодействий. Затем лекарственные кандидаты проходят отбор с помощью смоделированных взаимодействий с этими мишенями, что позволяет выполнять оптимизацию до доклинических испытаний (413, 414, 415). Цифровые двойники в in silico испытаниях могут помочь предсказать поведение препарата и потенциальные побочные эффекты, улучшая дизайн испытаний и стратификацию пациентов на клинических этапах (416, 417). Этот подход ускоряет разработку лекарств, снижает затраты и повышает показатели успешности, предоставляя детальное понимание поведения препарата в рамках виртуальной биологической системы. В 2023 году Moingeon отмечает использование цифрового двойника в разработке лекарственных средств против аутоиммунного заболевания, где цифровые двойники человеческих клеток создаются с использованием данных multi-omics, включая подробную информацию на уровне отдельной клетки (418). Эти данные можно объединить с machine learning, чтобы предсказывать, как клетки будут реагировать на различные лекарственные кандидаты, обеспечивая быстрое тестирование миллиардов комбинаций препаратов. Это не только ускоряет выявление и оптимизацию мишеней, но и облегчает репозиционирование лекарств для новых терапевтических применений. В качестве другого примера Subramanian использовал цифровой двойник для создания комплексной виртуальной модели, которая симулирует функцию печени, прогрессирование заболевания и отклики на лечение (419). Эта модель объединяет данные экспериментальных исследований и математические фреймворки, позволяя исследователям предсказывать лекарственно-индуцированное повреждение печени и оптимизировать лекарственные кандидаты до клинических испытаний (419).

Моделирование заболеваний, диагностика и прогноз.   Благодаря своей способности создавать динамические, ориентированные на конкретного пациента модели, технология цифровых двойников играет критическую роль в продвижении прецизионной медицины, поддерживая раннее выявление заболеваний и прогнозирование траектории (420). Цифровые двойники могут моделировать широкий спектр физиологических и патологических процессов, объединяя данные из множества источников, таких как медицинская визуализация, электронные медицинские записи, генетическая информация и данные датчиков в реальном времени (421, 422). Они могут воспроизводить функционирование органов, отслеживать развитие заболеваний и предсказывать, как будет прогрессировать заболевание у конкретного пациента. Способность моделировать и анализировать различные медицинские сценарии без инвазивных процедур представляет собой значительный шаг в развитии медицинских технологий и ухода за пациентами (423, 424, 425). Запуская симуляции, медицинские работники могут проверять различные сценарии, такие как влияние разных лекарств или изменений образа жизни, без каких-либо рисков для пациента (426). Это помогает в раннем выявлении потенциальных проблем со здоровьем и проактивном вмешательстве. В 2024 году Wang et al. применили технологию цифровых двойников для моделирования неоднородных оптических свойств многожильного волокна, добившись непикселизованной, высокоразрешающей визуализации опухолей для улучшения диагностики рака (427). Surian et al. использовали клинические и физиологические данные биомаркеров из различных когорт для разработки цифрового двойника, который моделирует профили метаболического здоровья (428). Эта модель точно предсказывает начало хронической болезни почек (CKD) в течение трехлетнего периода и эффективно стратифицирует пациентов по различным категориям риска, облегчая раннее выявление и улучшая стратегии ведения CKD. Аналогично, Venkatapurapu et al. объединили механистическую модель болезни Крона (CD) и цифровой двойник каждого пациента для прогнозирования временного прогрессирования повреждения и заживления слизистой, что обеспечивает подробные, хронологические прогнозы динамики заболевания для поддержки решений по лечению (429).

Персонализированное лечение.  Персонализированное лечение предполагает подбор медицинских вмешательств под конкретные генетические, экологические и поведенческие характеристики пациента, обеспечивая более целенаправленный и эффективный подход к оказанию помощи. (430, 431). Подобно приложениям в диагностике заболеваний, технология цифрового двойника усиливает персонализированное лечение, создавая виртуальные копии отдельных пациентов на основе данных из различных источников, но при этом она ориентирована на комплексные сведения о здоровье и подробную настройку планов лечения (432, 433). Включая генетическую информацию пациента, цифровые двойники могут моделировать, как различные лекарственные препараты будут взаимодействовать с индивидуальным генетическим профилем, прогнозируя потенциальные побочные эффекты или неблагоприятные реакции до введения лечения, тем самым повышая эффективность терапии и снижая неблагоприятные эффекты (434, 403, 435). Кроме того, цифровые двойники поддерживают непрерывный мониторинг и корректировку планов лечения, гарантируя, что помощь остается оптимальной в течение времени (436). Например, Martinez-Velazquez et al. создали Cardio Twin — архитектуру на основе технологии цифрового двойника, которая объединяет данные датчиков смартфонов, внешних устройств, социальных сетей и медицинских записей для анализа в режиме реального времени (437). Она оптимизирует персонализированное лечение для пациентов с сердечно-сосудистыми заболеваниями, анализируя индивидуальные данные пациента, чтобы прогнозировать лекарственные взаимодействия и настраивать терапии, при этом автономно управляя передачей лабораторных данных и запросами в службы экстренной помощи. Аналогично, Wickramasinghe et al. применили технологию цифрового двойника в персонализированном уходе за пациентами с раком эндометрия матки, анализируя обширные данные о пациентах, чтобы разработать предиктивные модели прогрессирования рака и персонализированных ответов на лечение, а не опираясь на заранее заданные теоретические рамки (438). Система поддержки клинициста на основе цифровых двойников решает сложности и когнитивные ограничения, связанные с традиционным онкологическим лечением, используя ИИ и машинное обучение для обработки больших массивов данных, тем самым повышая точность и эффективность лечения рака.

7.2 Биологическая система

Применение технологии цифровых двойников в биологических системах представляет собой прорывное достижение с потенциальной способностью произвести революцию в различных областях наук о жизни (439, 440). Создавая точные виртуальные копии биологических объектов, цифровые двойники позволяют исследователям моделировать, анализировать и предсказывать поведение сложных биологических процессов в режиме реального времени (441, 442, 75, 443). Этот инновационный подход способствует более глубокому пониманию молекулярных взаимодействий, клеточной динамики и анатомических функций (444, 445, 446). Он усиливает исследования и разработки, улучшает диагностические методики, оптимизирует экспериментальные и терапевтические вмешательства и упрощает производственные процессы в биоманufacturing (447, 448).

Молекулярные исследования.   Применение технологии цифровых двойников может распространяться на различные уровни в биологических системах (449, 441). На молекулярном уровне цифровые двойники могут с высокой точностью моделировать взаимодействия между белками, нуклеиновыми кислотами, липидами и другими биомолекулами (450, 451). Эти симуляции включают детализированную молекулярную динамику, включая взаимодействия белок-белок, процессы транскрипции и трансляции ДНК-РНК, формирование и поведение липидного бислоя, а также сложные молекулярные сборки (452, 453, 454, 455). Следовательно, цифровые двойники обеспечивают всесторонние представления о сложных биохимических путях и молекулярных механизмах, способствуя разработке таргетированных терапий, персонализированной медицины и биотехнологических инноваций (456, 457). Например, Hengelbrock et al. использовали цифровые двойники для виртуальных реплик физического процесса транскрипции мРНК, чтобы моделировать и оптимизировать условия производства (4). Определив ключевые кинетические параметры и применив реактор с поршневым потоком для высокопроизводительного скрининга, исследователи существенно повысили выход мРНК и снизили примеси, такие как укороченная мРНК. Этот подход позволил эффективно производить 20 кандидатов в вакцины за короткое время, что обеспечило десятикратное увеличение продуктивности. Интеграция процессных аналитических технологий и цифрового двойника в рамках Biopharma 4.0 обеспечила непрерывное и автоматизированное производство, гарантируя масштабируемость и устойчивость поставок терапевтической мРНК. Аналогично, Silva et al. использовали цифровые двойники для оптимизации хроматографического процесса, применяемого для очистки моноклональных антител (mAbs) (458). Структура цифрового двойника позволила выполнять скрининг катионообменных (CEX) смол, проводить калибровку модели и предсказывать хроматографическое поведение при различных условиях, тем самым упрощая разработку процесса, снижая объем экспериментальной работы и ускоряя сроки..

Производство в клеточных системах и метаболические пути. Цифровые двойники на клеточном уровне создают точные виртуальные модели биологических процессов в реальном времени, объединяя данные из различных источников для симуляции и оптимизации условий для роста клеток, производства и метаболической активности (459, 460, 461). Эти цифровые копии позволяют исследователям и производителям отслеживать, прогнозировать и корректировать параметры в реальном времени, существенно повышая эффективность и обеспечивая стабильное качество продукции (462, 463). В производстве клеток цифровые двойники оптимизируют условия в биореакторе за счет точной настройки параметров, таких как температура, pH и уровни кислорода, управления подачей питательных веществ для поддержания оптимальных условий роста, а также прогнозирования качества продукта посредством непрерывного мониторинга и контуров обратной связи (464, 465, 466). Для метаболических путей они моделируют сложные биохимические процессы, включая активность ферментов, метаболические потоки и влияние генетических модификаций, тем самым улучшая проектирование и продуктивность клеточно-ориентированных процессов (467, 468, 469). Например, Cheng et al. включили модель цифрового двойника с Biological Systems-of-Systems (Bio-SoS) для симуляции взаимодействий в подмоделях, таких как модели отдельных клеток и метаболического сдвига. Этот подход позволяет выполнять корректировки условий культивирования в реальном времени и оптимизировать управление питательными веществами, обеспечивая стабильные и высококачественные результаты клеточного культивирования (5). Симулируя взаимодействия на различных масштабах — от молекулярного до макроскопического уровней, эта модель цифрового двойника обеспечивает всестороннее понимание процесса клеточного культивирования, облегчая более эффективное и гибкое производство. Аналогично, Helgers et al. использовали цифровой двойник для повышения продуктивности производства антител на клетках CHO посредством динамической метаболической модели, которая моделирует центральные метаболические пути, такие как гликолиз, цикл TCA и метаболизм аминокислот (470). Эта модель включает детальные кинетические параметры реакций и механизмы обратной связи, позволяя выполнять точный контроль метаболической активности и роста клеток. Цифровой двойник продемонстрировал высокую точность и прецизионность, обеспечивая оптимизацию выхода продукта и его качества при производстве моноклональных антител. Путем интеграции данных в реальном времени и предиктивного моделирования этот цифровой двойник поддерживает непрерывное улучшение процесса и надежное управление процессом, обеспечивая высокую продуктивность и соответствие нормативным стандартам.

Отдельные анатомические структуры.   Отдельные анатомические структуры — это индивидуальные компоненты тела с конкретными формами и функциями, которые обычно распознаются как самостоятельные сущности, такие как органы, кости и мышцы (471, 472). Цифровые двойники для этих структур обеспечивают подробные, точные модели, которые усиливают исследования и образование (473, 419, 474). Они позволяют выполнять предоперационное планирование, давая хирургам возможность моделировать сложные процедуры, тем самым снижая риски и улучшая результаты (475, 476). Кроме того, цифровые двойники облегчают моделирование и тестирование медицинских устройств, обеспечивая их безопасность и эффективность до применения (477, 446, 478). Эти виртуальные модели создаются с использованием методов высокоточного визуализирования, таких как MRI, CT scans и ultrasound, с интеграцией анатомических и физиологических данных, чтобы обеспечить расширенные симуляции реальных сценариев с помощью методов deep learning (479, 480, 481, 482). Например, Shu et al. представили Twin-S — модель цифрового двойника, предназначенную для хирургии основания черепа, которая моделирует, отслеживает и непрерывно обновляет все важные аспекты процедуры в реальном времени, чтобы воспроизвести реальные условия (483). Модель использует высокоточное оптическое отслеживание и симуляцию в реальном времени для создания детализированных виртуальных моделей хирургических инструментов, анатомии пациента и хирургических камер. Путем интеграции данных из источников, таких как CT scans, и применения процедур калибровки система обеспечивает точное представление и обновляет виртуальную модель с частотой кадров 28 FPS. Оценка Twin-S показывает среднюю ошибку симуляции сверления 1.39mm, демонстрируя его точность и потенциальную возможность улучшить хирургическое планирование и результаты.

Одним из особенно заметных достижений в этой области является разработка моделей цифровых двойников для мозга (484, 485, 486). Технология Digital Twin Brain (DTB) объединяет многомодальные данные нейровизуализации, геномные данные, поведенческие данные и когнитивные оценки, чтобы построить персонализированные модели мозга, которые точно моделируют анатомические структуры, функциональные связи и динамические изменения (487, 488, 489, 490). Этот виртуальный аналог обладает огромным потенциалом для исследований в нейронауках, клинической практики и интерфейсов мозг-компьютер (490, 491). В 2024 году Park, Wang, Guan и их коллеги представили интегрированную платформу для мультискейл молекулярного картирования и фенотипирования человеческого мозга, создав 3D-атлас на субклеточном разрешении (492). Этот инновационный подход одновременно отображает структуры по всему мозгу и фиксирует высокоразмерные признаки. Платформа включает «Megatome» — устройство, которое тонко нарезает интактные полушария человеческого мозга, не причиняя повреждений, и «mELAST», которое делает каждый срез мозга прозрачным, гибким, прочным, расширяемым и быстро, равномерно и неоднократно поддающимся маркировке. Кроме того, вычислительная система «UNSLICE» бесшовно воссоединяет плиты, реконструируя каждое полушарие целиком в 3D с точным выравниванием отдельных кровеносных сосудов и нервных аксонов. Ожидается, что эта платформа позволит проводить всесторонний анализ множества человеческих и животных мозгов, углубляя наше понимание межвидового сходства, различий между популяциями и характеристик, специфичных для заболеваний. Она также облегчает картирование проектомов отдельных нейронов, интегрированных с профилями молекулярной экспрессии, выявляя организационные принципы нейронных цепей и их изменения при заболеваниях, тем самым продвигая наше понимание механизмов болезни.

Многоуровневые биологические системы. Цифровые двойники на многоуровневом уровне стремятся отразить взаимосвязь между биологическими процессами, которые разворачиваются на молекулярном, клеточном, тканевом и органном уровнях (493, 494). В отличие от цифровых двойников одного уровня, которые сосредоточены на локальной динамике, многоуровневые цифровые двойники должны согласовать различия в пространственном разрешении, временной динамике и типах данных между слоями (495). Это порождает фундаментальные задачи моделирования: согласование уровней при противоречивых плотностях данных, интеграцию механистических моделей с статистическими суррогатами и обновление системы в реальном времени при сохранении внутренней согласованности (496). Кроме того, многие биологические взаимодействия двунаправлены: молекулярные воздействия могут приводить к изменениям на уровне органов, но системные состояния, такие как воспаление или гормональная обратная связь, также способны перестраивать клеточные поведенческие реакции (497, 498). Чтобы справиться с этой сложностью, многоуровневые двойники часто опираются на модульные архитектуры, где отдельные подмодели (например, сети регуляции генов, симуляторы метаболических потоков, механические решатели) связываются через слои интерфейса (499, 500). Эти модели поддерживают высокоточное моделирование становящейся физиологии и позволяют проводить проверку гипотез для заболеваний, чье поведение нельзя понять на одном биологическом уровне, таких как прогрессирование рака, органная недостаточность или сложные неврологические расстройства (501, 488).

Многомасштабные цифровые двойники вводят эти рамки в практику, обеспечивая интегративное моделирование сложных систем болезни, которые не поддаются объяснению на одном уровне. Например, в онкологии TumorTwin создает двойников рака молочной железы, специфичных для пациента, связывая геномные профили, признаки гистопатологии, данные опухолевого микроокружения и продольную визуализацию, позволяя моделировать эволюцию опухоли и ответ на терапию на молекулярном, клеточном и анатомическом уровнях (502). При отказе органов Gallo et al. разработали печеночного двойника, который интегрирует метаболизм на уровне гепатоцитов, зонально-локальный кровоток долек и перфузию всего органа, обеспечивая прогноз пространственно локализованного лекарственно-индуцированного повреждения печени и системной декомпенсации (503). При неврологических расстройствах виртуальные двойники мозга для стимуляции при эпилепсии установили персонализированные цифровые двойники мозга, объединяя структурную МРТ/DTI, специфичную для пациента, модели нейронных популяций сетевого масштаба и данные ЭЭГ/SEEG (504). Эта многомасштабная архитектура отражает, как стимуляция возмущает локальную возбудимость и запускает распространение приступа по всему мозгу, поддерживая индивидуальную оценку эпилептогенных зон и in silico тестирование стратегий нейростимуляции. Во всех этих областях многомасштабные цифровые двойники выступают как единые платформы, которые интегрируют данные и механизмы от молекулярного или клеточного уровней до уровней органа и системы, обеспечивая механистическое понимание и реализуемые симуляции.

7.3 Аэрокосмическая отрасль

Авиационно-космическая отрасль объединяет несколько направлений инженерии, анализа данных и управления системами для поддержки разработки и эксплуатации самолетов и космических аппаратов(121). Благодаря своей сложности и строгим требованиям безопасности отрасль быстро внедрила технологию цифровых двойников как основу модернизации(505). Цифровой двойник создает виртуальную модель, которая отражает физическую систему, обеспечивая непрерывный мониторинг, моделирование и прогнозную аналитику(506). При интеграции с искусственным интеллектом и моделированием, основанным на физике, эти системы позволяют выполнять адаптивное проектирование, прогнозное техническое обслуживание и автономное принятие решений, знаменуя собой крупную трансформацию в авиационно-космической инженерии(507).

Проектирование летательных аппаратов.   На этапе проектирования цифровые двойники поддерживают виртуальное прототипирование и раннюю проверку аэроструктур (121). Связывая модели инженерного проектирования с вычислительной гидродинамикой и методом конечных элементов, инженеры могут исследовать аэродинамические характеристики и прочность конструкции до физического тестирования (508). Li et al. (62) представили фреймворк цифровых двойников для изготовления композитных деталей, который синхронизирует данные процесса с откликом моделирования, чтобы минимизировать отклонения. В Европе программа Clean Sky 2 использовала цифровые двойники для моделирования деформации планера под нагрузкой и уточнения легковесных материалов, обеспечив измеримые улучшения топливной эффективности (506). Эти разработки демонстрируют, как цифровые двойники сокращают проектные циклы и повышают точность при создании летательных аппаратов.

Техническое обслуживание и мониторинг состояния. Техническое обслуживание стало одним из наиболее зрелых и широко внедряемых применений цифровых двойников в аэрокосмической отрасли (57). Интегрируя данные датчиков в реальном времени с высокоточной физической моделью, инженеры могут оценивать остаточный ресурс ключевых компонентов и выявлять ранние признаки усталости (509). ВВС США разработали проект Airframe Digital Twin, чтобы моделировать накопленные повреждения и более эффективно планировать осмотры (510). Siemens также применяла системы цифровых двойников для мониторинга двигателей, объединяя данные вибрации и температуры для прогнозирования деградации характеристик и предотвращения незапланированных отказов (511). По мере развития диагностических моделей на основе ИИ эти предиктивные модели помогают аэрокосмической отрасли перейти от реактивного технического обслуживания к упреждающему управлению активами.

Моделирование полета и планирование миссии.   Цифровые двойники также трансформируют моделирование полета, создавая динамические цифровые среды для обучения и проверки миссий (512). Благодаря интегрированному моделированию аэродинамики и конструкции инженеры могут оценивать устойчивость полета и управляемость при различных атмосферных и эксплуатационных условиях (508). NASA включила среды цифровых двойников в свои платформы моделирования, чтобы тестировать алгоритмы автономного полета и процедуры восстановления при отказах до развертывания в реальных условиях (513). Эти виртуальные стенды снизили зависимость от дорогостоящих физических экспериментов и улучшили поддержку принятия решений пилотом, особенно в миссиях, требующих адаптивности в реальном времени.

Космические миссии и спутниковые системы.   В космических операциях цифровые двойники помогают операторам миссий управлять состоянием космических аппаратов и предсказывать поведение систем на орбите (514). Программа NASA Artemis применяет цифровые двойники для моделирования подсистем движения, связи и тепловых подсистем, позволяя планировщикам миссий оценивать производительность в экстремальных условиях (513). Для спутниковых созвездий симуляторы на основе двойников воспроизводят орбитальную динамику и взаимодействия датчиков, помогая командам прогнозировать расход топлива и выявлять аномалии до того, как они перерастут в проблемы (506). Европейское космическое агентство использовало аналогичные архитектуры для валидации наземного управления, повышая надежность и сокращая задержки миссий. Эти применения демонстрируют растущую значимость цифровых двойников для обеспечения безопасности и долговечности космических активов.

Автономная космическая робототехника.   Технология цифровых двойников столь же преобразующа для робототехнических систем, используемых на орбите и при планетарных исследованиях (515). Создавая высокоточные модели робототехнических манипуляторов и роверов, инженеры могут тестировать стратегии управления и реакции на отказы в условиях микрогравитации и сурового рельефа (514). NASA использует фреймворки цифровых двойников для мониторинга робототехнических манипуляторов на Международной космической станции, предсказывая механический износ и оптимизируя планирование движения (513). В исследовании Гриншпуна и Россманна виртуальное тестирование на основе двойников позволило автономным роботам отрепетировать задачи по удалению космического мусора и обслуживанию спутников, обеспечив эксплуатационную безопасность до развертывания (512). Эти разработки демонстрируют, как цифровые двойники позволяют создавать более устойчивые, самообучающиеся робототехнические системы, которые могут работать независимо в удалённых средах.

В заключение, технология цифровых двойников переопределяет аэрокосмическую инженерию, объединяя данные, физическое моделирование и интеллектуальную аналитику в непрерывные системы обратной связи. От раннего проектирования летательных аппаратов до автономных космических миссий эти технологии повышают точность, надежность и эффективность на протяжении всего жизненного цикла в аэрокосмической отрасли.

7.4 Умный город

Быстрые темпы урбанизации, а также растущая потребность городских жителей в средствах к существованию и развитие технологий существенно ускорили развитие умных городов (516). Умные города объединяют целый ряд инновационных технологий, включая цифровые двойники, Интернет вещей (IoT), блокчейн и ИИ, чтобы предоставлять интеллектуальные услуги и повышать качество жизни для местных жителей (517, 518, 519, 520). Среди этих технологий цифровые двойники обеспечивают виртуальные копии реальных городских сред, предоставляя надежную платформу для усиления возможностей умного города (519). Кроме того, ИИ дополнительно укрепляет основанную на данных основу умных городов, улучшая точность данных, предиктивную аналитику и процесс принятия решений (521, 522, 523, 524, 525, 526). Этот раздел рассматривает применения технологий цифровых двойников и ИИ в контексте умных городов.

Повышение эффективности. Здания составляют большинство потребления энергии в городах (527), что делает их критически важной областью внимания при разработке инициатив умных городов (528). В контексте городских энергетических систем зданий цифровые двойники существенно расширяют возможности интеллектуальной системы учета. Эта инфраструктура обеспечивает фиксацию потребления электроэнергии на детализированных уровнях, при этом показания счетчиков снимаются с интервалами менее одного часа (529). Помимо учета электроэнергии, инфраструктуры сенсорного мониторинга на уровне зданий все чаще интегрируют датчики Internet of Things для измерения переменных окружающей среды и рабочих параметров, таких как наличие присутствующих в помещении и внутренняя температура, которые являются критическими факторами, определяющими спрос на энергию здания (530). Недавние исследования подчеркивают, что такие инфраструктуры сенсорного мониторинга, поддерживающие IoT, служат основным источником крупномасштабных городских и зданийных данных, используемых в системах управления энергопотреблением, основанных на данных (531). Эти разнородные потоки данных датчиков формируют основу данных для моделирования и контроля энергопотребления зданий, основанных на данных. При интеграции с методами машинного обучения эти богатые энергетические данные могут поддерживать широкий спектр применений, включая анализ энергетической нагрузки, прогнозирование, управление и оценку энергопотребления в реальном времени (532). Например, для обнаружения аномальных паттернов потребления в реальном времени могут применяться классификаторы на основе дерева решений и support vector machine (SVM) (533). Кроме того, классификатор k-nearest neighbors может быть использован для анализа энергетического поведения обитателей в коммерческих зданиях (534). Для прогнозирования энергопотребления зданий Fan et al. использовали методы глубокого обучения для аугментации данных, что существенно повысило точность краткосрочных прогнозов энергопотребления для зданий (535).

Микросети.   Микросети и интеллектуальные сети являются одними из наиболее важных и хорошо зарекомендовавших себя областей применения технологии цифровых двойников. В отличие от энергетических систем уровня зданий, микросети функционируют на пересечении локальной выработки энергии, распределенных нагрузок и публичной энергосети, выходя за рамки одной лишь эффективности энергопотребления зданий. Типичная микросеть объединяет распределенные энергетические ресурсы, взаимосвязанные нагрузки, системы накопления энергии и механизмы управления, обеспечивая гибкую работу в режимах как подключения к сети, так и изолированного режима. В рамках подхода с цифровым двойником микросети были подробно исследованы с точки зрения их потенциала повышать системный интеллект, устойчивость и эксплуатационную надежность. В существующих исследованиях основное внимание уделялось задачам прогнозирования, включая прогноз выработки возобновляемой энергии и нагрузок (536, 537), а также управлению системой и мониторингу в реальном времени (538, 539). Модели цифровых двойников также применялись для обнаружения неисправностей и предиктивного технического обслуживания, что помогает на ранних этапах выявлять аномальное поведение и отказы компонентов (540, 541). Кроме того, кибербезопасность и защита систем стали критически важными направлениями исследований, особенно с учетом все более тесной киберфизической связи в микросетях (542). Перспективное направление исследований заключается в использовании цифровых двойников для упреждающего повышения устойчивости сети к многогранным неопределенностям. Передовые фреймворки применяют гибридные стохастико-робастные методы оптимизации для определения оптимальных графиков как для обычной, так и для устойчивой работы, эффективно моделируя неопределенности, связанные со стоимостью в сети, выработкой возобновляемой энергии и нагрузками (543). Помимо автономной устойчивости, цифровые двойники играют ключевую роль в углублении эксплуатационной и вспомогательной интеграции микросетей с основной публичной сетью. Это включает не только островкование во время отключений, но и предоставление активной поддержки основной сети в обычных условиях. Например, стратегии согласованного управления, реализуемые на основе цифровых двойников, могут координировать распределенные энергетические ресурсы, такие как ветер и солнечная энергия, чтобы обеспечивать быструю поддержку частоты основной сети — критически важную услугу по мере роста доли возобновляемой генерации (544). На локальном уровне распределения цифровые двойники играют незаменимую роль в координации сложного современного энергопотребления, особенно в рамках кластеров зданий и станций зарядки электромобилей. Пространственно-временная гибкость электромобилей, включая их способность перемещаться и переносить время зарядки, одновременно представляет собой и вызов, и уникальный ресурс для локального управления энергией. Недавние исследования предлагают стратегии на основе цифровых двойников для координации зарядки и разрядки электромобилей в нескольких временных микросетях, сформированных после отключения питания (545). Помимо этих аспектов, Sun et al. подчеркивают роль цифровых двойников в повышении устойчивости и надежности микросетей к различным источникам неопределенности, включая прерывистость возобновляемой энергии, колебания нагрузок и возмущения в сети (546). Lasseter et al. выделяют растущий исследовательский интерес к интеграции микросетей с публичной сетью, особенно при рассмотрении сценариев локального энергопотребления, таких как кластерные комплексы зданий и станции зарядки электромобилей (547). Кроме того, Palensky et al. демонстрируют, что стратегии ко-моделирования и управления, поддерживаемые цифровыми двойниками, представляют собой перспективный подход для координации потоков энергии между несколькими подсистемами и на разных уровнях эксплуатации (548).

Градостроительство.   Инфраструктура — включая здания, мосты, дороги, железные дороги и связанные с ними трубопроводные сети — играет критически важную роль в развитии умных городов. Однако планирование, строительство и обслуживание такой инфраструктуры сопряжены со значительными трудностями из-за высоких затрат, обширных требований к ресурсам, длительных сроков проектов и уникальных характеристик каждого проекта (549). Технология цифровых двойников предлагает перспективный подход для решения этих проблем. Ключевым аспектом технологии цифровых двойников является представление инфраструктуры. Цифровые двойники городов можно организовывать в несколько слоёв (550), один из которых — геометрический слой (551). Этот слой отражает морфологию и физические характеристики инфраструктуры в 3D (552, 551). Например, программное обеспечение для 3D-моделирования цифровых двойников, такое как CityEngine, можно использовать для ручной реконструкции городской инфраструктуры, как показано на примере Матеры, Италия (551). Точность этих моделей может быть дополнительно повышена с помощью AI и методов data augmentation (553), при этом методы глубокого обучения позволяют генерировать сложные, высокоразмерные цифровые представления городской инфраструктуры (554). Помимо моделирования, технология цифровых двойников поддерживает проектирование инфраструктуры посредством моделирования и аналитического тестирования. Опираясь на виртуальные модели, проектировщики могут выполнять 3D-итерации с большей точностью и получать более точную обратную связь по сравнению с традиционными методами (555). Такой виртуальный подход распространяется и на изготовление и монтаж, где цифровые двойники в сочетании с виртуальной реальностью обеспечивают систематическое хранение данных, точное позиционное кодирование и точные измерения компонентов (556). Интеграция основанных на данных моделей цифровых двойников с интеллектуальными системами также позволяет обеспечивать прогнозируемое обслуживание в реальном времени, диагностику и обоснованное принятие решений (557). Например, методы машинного обучения могут поддерживать Structural Health Monitoring (SHM) гражданской инфраструктуры (558). Эти подходы позволяют независимо генерировать новые наборы данных, повышая безопасность инфраструктуры за счёт прогнозирования возможных отказов.

Общественная безопасность и окружающая среда.   Технология цифровых двойников играет все более важную роль в повышении общественной безопасности и экологического управления, предоставляя динамичную, основанную на данных структуру для моделирования, мониторинга и управления сложными городскими системами. В этом контексте ее основные применения включают управление чрезвычайными ситуациями, оценку экологических рисков и защиту критически важной инфраструктуры. В области управления чрезвычайными ситуациями цифровые двойники выступают эффективными инструментами для подготовки к бедствиям, реагирования в реальном времени и восстановления после событий. Путем интеграции потоков данных в реальном времени с IoT-датчиков с геопространственными информационными системами и историческими записями об инцидентах цифровые двойники создают постоянно обновляемое виртуальное представление физического состояния города. Эта живая модель позволяет органам власти в реальном времени визуализировать развитие природных опасностей, таких как наводнения, землетрясения и лесные пожары, оценивать их потенциальное воздействие на население и инфраструктуру, а также с помощью сценарных симуляций оценивать альтернативные планы эвакуации или стратегии распределения ресурсов (559, 560, 561). Так, во время наводнений цифровые двойники могут моделировать гидродинамические процессы, прогнозировать масштабы затопления и выявлять уязвимые критически важные активы, тем самым поддерживая распространение ранних предупреждений и адресные экстренные вмешательства (562). Помимо реактивного реагирования на бедствия, цифровые двойники также поддерживают упреждающий мониторинг окружающей среды и защиту общественного здоровья. Путем объединения данных от датчиков качества воздуха, потоков транспорта и метеорологических наблюдений цифровые двойники могут моделировать и прогнозировать динамику городского загрязнения воздуха, что позволяет выявлять зоны повышенного загрязнения и оценивать меры по снижению воздействия, такие как ограничения движения или политики контроля выбросов (519). Аналогичным образом цифровые двойники могут применяться для мониторинга пространственно-временного распределения шумового загрязнения и оценки его влияния на пригодность города для жизни и благополучие сообществ. Технология цифровых двойников также способствует повышению общественной безопасности за счет непрерывного мониторинга и защиты критически важной инфраструктуры. Как показано Khan et al., методы машинного обучения, встроенные в структуры цифровых двойников, позволяют обнаруживать структурные аномалии или деградацию производительности на ранних стадиях в активах, таких как мосты, тоннели и энергосети (563). Постоянно сравнивая данные с датчиков в реальном времени от физических сооружений с ожидаемым поведением, предсказанным их цифровыми аналогами, можно заранее прогнозировать потенциальные отказы до того, как они произойдут. Это дает возможность применять стратегии предиктивного обслуживания и снижает вероятность катастрофических инцидентов. Такие возможности особенно ценны для передовых композитных материалов, используемых в аэрокосмических и транспортных системах, где цифровые двойники помогают осуществлять мониторинг технического состояния (SHM), чтобы обеспечить долгосрочную целостность и эксплуатационную безопасность (563, 558).

7.5 Мобильность и транспорт

Растущая тенденция к взаимосвязи и автоматизации в транспортном секторе все чаще использует передовые технологии для оптимизации управления дорожным движением и повышения общей эффективности системы (564). Особенно перспективной технологией является цифровой двойник, который может применяться для создания динамических и актуализируемых в реальном времени моделей различных элементов транспортной экосистемы. Это включает возможность мониторинга и моделирования потоков трафика, оценки эффективности работы транспортных средств и анализа состояния дорог, среди других критически важных факторов, которые в совокупности влияют на результативность и безопасность транспортных систем (565). Предоставляя комплексное и постоянно обновляемое виртуальное представление физического мира, технология цифрового двойника выступает как важнейший инструмент на переднем крае инноваций в мобильности и транспорте. Учитывая быстрые достижения в технологиях Connected and Automated Vehicles (CAV) и Internet of Vehicles (IoV), интеграция цифровых двойников в платформы управления дорожным движением становится все более осуществимой и выгодной. Эта интеграция обещает еще сильнее произвести революцию в сфере мобильности и транспортных систем, обеспечив более безопасные и более эффективные решения для управления дорожным движением (566).

Связанные и автоматизированные транспортные средства.   Рост технологий CAV вводит еще одну платформу для реализации цифровых двойников помимо традиционной автономности. Поскольку уровень автоматизации и связности внутри наших транспортных средств значительно улучшился, оснащенные такими возможностями транспортные средства могут не только воспринимать окружающую среду с помощью бортовых сенсорных устройств (например, камера, LiDAR, радар), но и «общаться» с другими агентами, такими как транспортные средства и инфраструктура, посредством коммуникаций vehicle-to-everything (V2X) (567, 568, 569, 570, 571). Различные исследования используют облачные вычисления, чтобы дать цифровым двойникам возможность служить для CAV. Например, Wang et al. предложили фреймворк мобильного цифрового двойника, который расширяет возможности CAV за счет различных микросервисов на основе архитектуры устройство-край-облако (572). Alam and Saddik разработали референсную модель фреймворка цифрового двойника для облачной CPS, в которой предложено телематика-ориентированное приложение для помощи при вождении для vehicular CPS, состоящее из трех частей: 1) вычисления, 2) управление и 3) объединение данных сенсоров и сервисов (573). Kumar et al. разработали цифровой двойник-центрированный подход с использованием машинного обучения, edge computing, 5G-коммуникаций и data lake, направленный на прогнозирование намерений водителя и предотвращение заторов на дорогах (574). Wang et al. предложили парадигму «транспортное средство—облако» для расширенной системы помощи водителю (ADAS) CAV (575), и эта парадигма была далее экспериментально проверена Liao et al. в сценарии кооперативного слияния на съезде (576). Проблема корректной визуализации информации цифрового двойника, получаемой из облака, была изучена Liu et al., где предложен метод сенсорного слияния, объединяющий данные бортовой камеры, чтобы облегчить принятие решений CAV (577). Gao et al. предложили многоуровневый подход к ко-симуляции Carla-SUMO-AirSim для соединения наземного и воздушного V2X-сотрудничества, обеспечивая более широкое представление для исследований CAV (578). Тестирование и оценка необходимы для прогресса и внедрения CAV. Технология цифровых двойников особенно полезна для облегчения тестирования в закрытых условиях, поскольку позволяет интегрировать виртуальные компоненты, сгенерированные компьютерными системами, с реальными дорожными условиями (579). Полное тестирование систем автоматизированного вождения создает значительные трудности и требует масштабного тестирования, которое невозможно выполнить без поддержки моделирования. В результате в последнее время исследования сосредоточились на создании симуляционных фреймворков для тестирования (580, 581). Фреймворк цифрового двойника, предложенный Ge et al., выделяет три уровня тестирования: полностью виртуальный, основанный на фактических данных сенсоров, и уровень, основанный на транспортном средстве (582). Похожий подход предполагает использование технологии цифровых двойников в рамках специальных фреймворков для регистрации откликов транспортного средства в различных смоделированных средах, что помогает сформировать большой набор данных для обучения и тестирования систем управления автономными транспортными средствами, тем самым создавая надежную основу для точного разработки системы (583). Цифровые двойники также применяют для создания статистических моделей, которые прогнозируют будущие перемещения транспортного средства на основе исторических данных (584). Кроме того, исследователи применяли технологию цифровых двойников для динамического вычисления параметров движения, улучшая планирование траектории транспортного средства (585). Моделирование человеческого поведения в CAV также было продвинуто с помощью технологии цифровых двойников, где концепция Driver Digital Twin (DDT) впервые была предложена Chen et al. для моделирования поведения человека-водителя в CAV (586). Эта концепция была дополнительно исследована в различных работах, которые включают оцифровку водителей, чтобы связать текущие системы автономного вождения с полностью цифровыми системами, и прогнозировать будущий процесс принятия решений водителем с помощью подходов машинного обучения (587, 588, 589). Развитие этого направления способствует созданию всеобъемлющей Human-Cyber-Physical System (H-CPS), интегрирующей поведенческие аспекты человеческого вождения (590).

Интернет вещей для транспортных средств. IoV — это сложная сеть транспортных средств, оснащённых датчиками, программным обеспечением и технологиями, которые следуют стандартизированным протоколам для подключения и обмена данными через Интернет (591). Эта сеть включает не только соединения между транспортными средствами (592), но и связи между транспортными средствами и различной дорожной инфраструктурой, а также с облаком (568, 593, 594, 595, 596). Обмениваясь данными о трафике, системы IoV могут совместно оптимизировать движение транспортных средств и управление транспортным потоком, что приводит к существенному улучшению общей эффективности дорожного движения (597). В результате IoV рассматривается как важнейший фактор будущего автономного вождения, а также связанной, электрифицированной и разделяемой мобильности (598). Технология цифровых двойников широко используется в IoV для распределения ресурсов, обмена и прогнозирования трафика. Например, разработан метод прогнозирования данных о трафике в реальном времени с использованием цифровых двойников, который опирается на мониторинг данных о потоке и скорости движения, передаваемых через 5G посредством датчиков IoV, существенно повышая точность системы и время отклика (599). Эксперименты проводились с использованием данных о трафике, собранных в Нанкине, Китай (600). Кроме того, W. Sun и соавт. изучили модель цифрового двойника, ориентированную на динамическое распределение ресурсов в сетях IoV с поддержкой воздушных средств, позволяющую выполнять согласованное планирование и распределение ресурсов (601). Что касается стратегий разгрузки в IoV, в исследовании предложена сетевая архитектура цифровых двойников, которая сохраняет цифровые двойники в киберпространстве, облегчая синхронизацию действий реальных транспортных средств (602). Также была представлена инновационная структура IoV, использующая цифровые двойники для создания цифрового представления среды IoV (603). Это позволяет выполнять обновления маршрута движения транспортного средства в реальном времени на основе текущих данных, существенно улучшая навигацию и операционную эффективность. Кроме того, разработан дизайн цифрового двойника, включающий технологию consortium blockchain, ориентированный на удалённый обмен ресурсами в рамках IoV для эффективного отслеживания и защиты ресурсов (604). В воздушных сетях IoV фреймворк RADiT представлен как модель распределения ресурсов, управляемая цифровыми двойниками, которая использует представления текущего состояния сети в реальном времени для обеспечения быстрого и эффективного обмена ресурсами; тем самым существенно повышаются пропускная способность сети, показатели задержки и общая связность (605). Как показательный пример полностью связанного сценария, IoV обеспечивает интеллектуальную работу транспортных средств за счёт использования искусственного интеллекта (ИИ). Будущее транспортных сетей потребует широкого спектра услуг, требующих значительных вычислительных ресурсов. Для решения проблемы дефицита ресурсов нейронные сети применяются для оптимизации использования избыточных вычислительных мощностей. В секторе IoV также широко применялось Federated Learning (FL) (606). Например, была создана новая асинхронная методика FL, чтобы обеспечить безопасный и эффективный обмен данными в сетях IoV (607). Кроме того, I. Ullah и соавт. предложили алгоритм FL с поддержкой blockchain, направленный на расширение обмена знаниями в сетях IoV, содействуя совместному обучению и интеграции данных (608). Чтобы решить задачу эффективного распознавания номерных знаков в средах IoV с поддержкой 5G, была разработана новая модель FL для повышения точности распознавания и скорости обработки (609). Кроме того, было продемонстрировано совместное позиционирование на основе FL в сетях IoV, чтобы поддерживать автономное вождение и предотвращение столкновений, тем самым повышая безопасность и эффективность перемещений транспортных средств (610)⟧.

Поток трафика.   Применение технологии цифровых двойников в потоках трафика открывает значительные возможности для улучшения систем мобильности и транспорта. Цифровые двойники могут эффективно визуализировать схемы движения в городских условиях, обеспечивая подробное и динамическое представление потока трафика (611, 612). VISSIM, программное средство микроскопического моделирования потоков трафика, может быть интегрировано в инфраструктуру цифрового двойника для интеллектуальных транспортных коридоров за счет использования данных реального мира, что позволяет выполнять высокоточные симуляции и анализ (613). Создан цифровой двойник, ориентированный на управление мобильностью, в котором используется облачная микросервисная архитектура для управления и оптимизации потоков трафика в масштабируемом и гибком формате (614). Кроме того, предложен подход слияния радар—камера для разработки цифрового двойника для отдельных участков дорожного полотна, повышающий точность и надежность мониторинга и управления потоками трафика (615). Также разработана модель прогнозирования потока трафика на основе архитектуры цифрового двойника и нейронных сетей, позволяющая точно прогнозировать приток и отток на узлах в сети пекинского метрополитена (616, 617, 618). Другая группа подходов к прогнозированию сетевого трафика и поведения участников движения включает использование reinforcement learning или generative models, которые продемонстрировали эффективность при формировании долгосрочных прогнозов (619, 620, 621, 622, 623, 624, 274, 625, 626, 627, 628, 629, 630, 631). После того как поток трафика спрогнозирован и визуализирован, функциональность цифровых двойников может быть дополнительно усилена за счет интеграции искусственного интеллекта для классификации заторов. Например, модели нейронных сетей могут использовать обширные наборы данных для повышения точности классификации заторов, помогая выявлять проблемы заторов и реагировать на них в реальном времени (632). Кроме того, цифровые двойники могут предоставлять водителям практические рекомендации на основе прогнозируемых условий движения. Например, создаваемые цифровым двойником advisory messages на перекрестке могут инструктировать водителей корректировать скорость, способствуя более плавному движению транспортных средств без необходимости частых остановок. Такой подход существенно сокращает время в пути и потребление энергии, тем самым улучшая общую мобильность и снижая воздействие на окружающую среду (633). Кроме того, цифровые двойники могут играть критически важную роль в оптимизации длительностей светофорных сигналов. Анализируя данные о прогнозируемом потоке трафика, цифровые двойники могут динамически корректировать timings сигналов в smart connected corridor testbed. Показано, что такие оптимизации позволяют добиться снижения времени в пути на 20.81% по сравнению с традиционными системами адаптивного управления движением, что подчеркивает потенциал цифровых двойников для повышения эффективности трафика и уменьшения заторов (634)⟧.

7.6 Умное производство

Мы в настоящее время находимся в разгаре Четвёртой промышленной революции, также известной как Индустрия 4.0. Индустрия 4.0 можно определить как интеграцию интеллектуальных цифровых технологий в производство и промышленные процессы (635). По мере зрелости и внедрения новых поколений информационных технологий развитие Индустрии 4.0 идёт полным ходом (636). Ключевым компонентом Индустрии 4.0 является интеллектуальное производство (637), которое представляет собой основное применение «производственного интеллекта» в производственной и цепочечной поставок (638). Интеллектуальное производство относится к новой производственной парадигме, при которой производственные машины полностью соединены через беспроводные сети, контролируются датчиками и управляются передовым вычислительным интеллектом для повышения качества продукции, производительности системы и устойчивости при одновременном снижении затрат (639). Эта область привлекла широкое внимание и подверглась активным экспериментам (640, 641, 642). Внедрение интеллектуального производства обусловлено цифровыми двойниками, которые абстрагируют физические объекты на предприятиях в их цифровые формы в киберпространстве (643, 644, 645, 646, 647). Эта абстракция позволяет осуществлять мониторинг, управление, диагностику и прогнозирование состояний этих объектов (648, 649, 650, 651). Помимо технологии цифровых двойников, интеллектуальное производство использует набор технологий, включающий промышленные IoT сети, AI, Big Data, робототехнику и автоматизацию, чтобы повысить эффективность системы и улучшить результаты (652, 653, 654, 655, 656, 657, 658). Среди них AI является критически важной технологией для цифровых двойников в интеллектуальном производстве. AI обеспечивает обработку данных и прогнозирование в реальном времени производственных процессов и характеристик компонентов, тем самым оптимизируя работу цифровых двойников (659) и повышая эффективность проектирования и производства продукции (660). Ниже приведены некоторые применения, иллюстрирующие использование цифровых двойников и AI для достижения интеллектуального производства на фоне Индустрии 4.0.

Визуализация производства. Визуализации, являясь важной составляющей производства, могут эффективно преобразовывать большие объемы информации в знания и выводы, тем самым облегчая системное управление для персонала (661). В интеллектуальном производстве цифровые двойники в первую очередь обеспечивают графическую визуализацию, интерактивную трехмерную визуализацию и дополненную реальность (AR) среди технологий визуализации. Графическая визуализация относится к отображению в реальном времени состояния оборудования с помощью визуальных представлений, позволяя операторам удаленно просматривать производственные данные и лучше настраивать системы. Например, панели мониторинга могут отображать состояние здоровья машины, эффективность производства и планирование заказов (662). Кроме того, Tong et al. представили HMI и приложения для визуализации и анализа траекторий обработки, статусов обработки и потребления энергии (663). Интерактивная трехмерная визуализация включает трехмерные симуляции производственного оборудования, процессов и продуктов. Она предоставляет операторам, техникам и планировщикам процессов более интуитивную перспективу, чтобы быстро выявлять проблемы и определять коренные причины. Интерактивная трехмерная визуализация может создавать виртуальные модели производственного оборудования на основе физических и кинематических моделей. Например, виртуальная модель шлифовального станка на базе трехмерных, физических и кинематических моделей может точно отражать текущее состояние оборудования и процессы (664). Кроме того, интерактивная трехмерная визуализация обеспечивает удаленный доступ к физическим системам, позволяя экспертам предоставлять удаленную поддержку и решать проблемы без необходимости находиться на месте (665). Производители могут получить всестороннее представление о данных и анализе производственного процесса, комбинируя интерактивную трехмерную визуализацию с другими методами, такими как мониторинг на панелях. Например, Zhao et al. интегрировали панели и интерактивную трехмерную визуализацию для программируемого логического контроллера (PLC) фрезерного станка (666). Концепция Industry 4.0 направлена на создание киберфизических производственных систем (CPPS), которые бесшовно связывают физический и цифровой миры, делая производство все более интеллектуальным (667). Приложения дополненной реальности позволяют получать доступ к огромным объемам данных, генерируемых CPPS, в реальном времени (668), что соответствует потребностям Industry 4.0 и интеллектуального производства. По сравнению с интерактивной трехмерной визуализацией AR может накладывать виртуальную информацию на реальный мир, тем самым еще больше усиливая взаимодействие человек—машина. Операторы могут использовать устройства AR во время инспекций, применяя реальные производственные сцены в качестве фона для визуализации рабочих данных оборудования (669). Стоит отметить, что устройства AR можно использовать для отображения возможных дефектов на проверяемом продукте (670).

Производство.   Мониторинг производства является важнейшим аспектом промышленного производства. В интеллектуальном производстве мониторинг включает мониторинг состояния машин, а также мониторинг качества продукции (671). Производственные машины часто сталкиваются с отказами вследствие деградации или аномальных условий работы, что приводит к росту эксплуатационных затрат, снижению производительности, увеличению доли дефектных деталей и даже неожиданным простоям. Поэтому внедрение мониторинга состояния является необходимым. Он включает мониторинг и отслеживание состояния машин, выявление ранних дефектов, диагностику первопричин отказов и интеграцию этой ценной информации в процессы производственного планирования и управления (672). С помощью цифровых двойников можно реализовать мониторинг состояния промышленного оборудования. Предложена и внедрена архитектура цифрового двойника для пневматического роботизированного захвата с целью выявления аномалий, таких как утечки в пневматическом цилиндре и неисправности подшипников (673). Miao и соавт. продемонстрировали основу цифрового двойника с использованием многомерных данных временных рядов для прогнозирования аномалий и мониторинга состояния оборудования для станков с числовым программным управлением (computer numerical control(CNC)) (674). Все больше и больше методов глубокого обучения активно исследуются для мониторинга состояния, обеспечивая более высокую точность и своевременность (675). Сеть CNN объединяет извлечение признаков и диагностику дефектов в единую модель и была применена во многих областях, таких как подшипники (676, 677), редукторы (678), ветроэнергетические установки (679) и роторы (680). Кроме того, исследовались глубокие вероятностные сети убеждений (DBNs) для диагностики неисправностей двигателей летательных аппаратов (681), химических процессов (682), поршневых компрессоров (683), подшипников качения (684, 685), высокоскоростных поездов (686) и ветровых турбин (687). Мониторинг качества включает мониторинг качества продукции и последующее выявление потенциальных дефектов изделий для повышения общей производительности качества. По сравнению с традиционным мониторингом качества, который является трудоемким по времени, требующим значительных трудозатрат и не способным выявлять едва заметные дефекты, цифровые двойники предлагают более эффективный метод мониторинга качества. С использованием производственных и сенсорных данных был разработан цифровой двойник-ориентированный прогнозный модель для качества шероховатости поверхности на станках для металлообработки (688). Для решения задач оптического контроля качества в аддитивном производстве были разработаны несколько цифровых двойников для оптимизации процесса инспекции (689). Глубокое обучение, особенно CNN, применялось для различных текстур или случаев дефектов, которые трудно обнаружить. CNN, изначально разработанные для анализа изображений, особенно подходят для автоматического распознавания дефектов при инспекции интеграции поверхности. CNN со max-pooling выполняют извлечение признаков непосредственно из представлений пикселей изображений стальных дефектов (690), облегчая автоматическую проверку загрязнений, царапин, заусенцев и износа на поверхностных деталях (691).

Оптимизация в промышленном производстве относится к улучшению производительности и эффективности при соблюдении конкретных целей в производственных операциях. Цифровой двойник оптимизирует производственные процессы, предоставляя точные, данные в реальном времени для повышения производительности, снижения потерь и увеличения устойчивости за счет виртуального ввода в эксплуатацию и оптимизации параметров (671). Виртуальный ввод в эксплуатацию предполагает использование виртуальных сущностей, созданных цифровыми двойниками, для оптимизации и отладки процессов, заменяя часть физических операций. Это помогает снизить утомляемость операторов и риски для безопасности. Например, инструменты моделирования могут применяться для модернизации традиционных станков (692). В промышленном производстве требуются непрерывные пробы и ошибки, чтобы найти параметры, обеспечивающие наивысшее качество, эффективность и выгоды, что известно как оптимизация параметров (671). Однако традиционные физические методы проб и ошибок часто оказываются недостаточными, дорогостоящими и отнимающими много времени. Цифровые двойники дают существенное преимущество, моделируя виртуальные сценарии и прогнозируя процессы, что позволяет проводить недорогие испытания различных параметров для поиска оптимальных значений. В результате многие приложения цифровых двойников сосредоточены на оптимизации параметров. Например, может быть разработана система цифрового двойника для станка с режущим инструментом, чтобы оптимизировать динамику обработки и оценивать и компенсировать ошибки контура (663). Кроме того, Balderas и соавт. применили оптимизацию колонией муравьев для производственных отверстий на печатных платах, используя минимальное время траектории и смены инструмента (693). Кроме того, динамическое программирование также может использоваться для оптимизации процесса шлифования с учетом времени обработки, подач и требований к качеству продукции (694). Машинное обучение позволяет с большей точностью извлекать критически важные параметры процесса (695). В лазерном производстве Искусственная нейронная сеть (ANN) может использоваться для прогнозирования качества лазерной резки, представленного явными нелинейными функциями, для оптимизации параметров, связанных с мощностью лазера, скоростью резки и частотой импульсов (696)⟧.

Управление цепочками поставок.   Недавние крупные сбои, включая стихийные бедствия, геополитическую напряженность и пандемию COVID-19, побудили менеджеров цепочек поставок искать технологии, которые повышают устойчивость и жизнестойкость, чтобы лучше справляться с этими вызовами. В этом контексте Управление цепочкой поставок Цифровой Твин (SCDT) стало многообещающей концепцией, демонстрирующей широкие применения в различных секторах. Оно способно воспроизводить физическую цепочку поставок и выявлять потенциальные проблемы до того, как они возникнут (697). Например, цифровой твин на основе данных о температуре и качестве можно использовать для моделирования процесса охлаждения в реальном времени. Это улучшает процессы охлаждения и снижает потери продуктов, тем самым делая холодильную цепочку поставок более экологичной (698). Кроме того, порт Роттердама сотрудничает с International Business Machines Corporation (IBM), чтобы создать цифровой твин, который помогает порту тестировать сценарии и понимать, как улучшить операционную эффективность (699). SCDT также можно использовать, чтобы помочь игрокам логистики более эффективно управлять парками контейнеров (700). AI-методы, включая машинное обучение, эволюционные алгоритмы, анализ больших данных и обучение с подкреплением, расширяют возможности цифровых твин в цепочках поставок, используя исторические данные для улучшения анализа данных в реальном времени и прогнозов, тем самым расширяя функциональность SCDT (701, 702). Обнаружение аномалий необходимо менеджерам цепочек поставок, поскольку оно позволяет выявлять потенциальные проблемы, обеспечивая упреждающие меры для снижения негативных воздействий и поддержания непрерывности операций. Машинное обучение существенно повышает эти возможности обнаружения (703). Кроме того, искусственные нейронные сети могут помогать выявлять и снижать риски, связанные с операциями в цепочках поставок, такие как сбои поставок, колебания спроса и изменения рыночной конъюнктуры (704). В рамках SCDT обучение с подкреплением может оптимизировать принятие решений в реальном времени в транспортировке и логистике, включая маршрутизацию, планирование и диспетчеризацию транспортных средств (705). Кроме того, встроенные в SCDT возможности автоматизации можно улучшить с помощью обучения с подкреплением, предоставляя заинтересованным сторонам возможность принимать обоснованные решения на основе конкретных сценариев (706). Поиск оптимальной политики управления запасами предполагает точную настройку параметров запасов и оценку издержек на запасы в соотношении с уровнем сервиса. Этот процесс можно эффективно поддерживать эволюционными алгоритмами (707).

7.7 Робототехника

Робототехника по своей сути сводится к преобразованию идей в действия, что означает превращение абстрактных целей в осязаемые физические результаты и направление процессов на достижение их целей (708). Использование цифровых двойников в робототехнике позволяет обеспечить тесную интеграцию между физическими системами и их виртуальными аналогами (709, 710), поддерживая более точное восприятие, моделирование и управление. В этом отношении технологии цифровых двойников предоставляют исключительные возможности для продвижения разработки робототехники (711). Текущая литература выделяет пять ключевых областей, в которых цифровые двойники применяются особенно широко: космическая робототехника, медицинская и реабилитационная робототехника, мягкая робототехника, промышленная робототехника и взаимодействие человека с роботом. Кроме того, интеграция искусственного интеллекта в робототехнику дополнительно расширяет возможности систем становиться более интеллектуальными, автономными и эффективными в различных приложениях (712, 713).

Космическая и воздушная робототехника. Поскольку космическое пространство представляет собой суровую среду, характеризующуюся экстремальными температурами, вакуумными условиями, радиацией, вызовами, связанными с гравитацией, и огромными расстояниями, доступ человека остается одновременно сложным и опасным. Поэтому человеческая деятельность в космосе существенно ограничена. В этом контексте космическая робототехника стала необходимой для содействия этим видам деятельности (714). Разработан специально предназначенный для космической робототехники виртуальный испытательный стенд (VTB), направленный на оптические датчики, который представляет собой распространенный подход в применениях цифровых двойников в космической робототехнике (715, 716). Исследователи в данном исследовании стремились интегрировать цифровые двойники в VTB, чтобы обеспечить моделирование космической робототехники и одновременно управлять исполнительными механизмами робота в виртуальной среде. На практике концепция цифрового двойника продемонстрировала свою значимость, заметно повышая эффективность миссий (717). Это улучшение обусловлено тем, что она позволяет облегчать сложные процессы принятия решений за счет оценки результатов моделирования, выполняемого на цифровом двойнике в VTB (718). Кроме того, была предложена новая методология моделирования, известная как Experimentable Digital Twins (EDT) (716). Исследование также представило практический подход к интеграции инфраструктур этих EDT в среды моделирования, который называется virtual test bed (VTB). Ожидается, что такая интеграция обладает значительным потенциалом для развития космической робототехники, в частности в части разработки и тестирования алгоритмов моделирования и компонентов. В одном из исследований, отмеченном в (719), был описан гаптический телеробототехнический комплекс, использующий цифровые двойники для бесшовной сборки миниатюрных модульных спутников в космосе. Другое исследование было сосредоточено на методах обработки телеметрических данных, связанных с ранее описанным телеробототехническим комплексом, интегрированным с DT (720). Создание, ремонт, модернизация и техническое обслуживание аэрокосмических компонентов, таких как корпуса космических аппаратов и их системы, стали критически важными аспектами внедрения цифровых двойников в современной космической робототехнике. Например, был разработан роботизированный шлифовальный комплекс, включающий технологию цифрового двойника, для аэрокосмического технического обслуживания, ремонта и капитального ремонта. Эта система использует роботизированную руку с 6 степенями свободы (6-DoF) для выполнения шлифовальных операций, применяя цифровой двойник для анализа и определения необходимых параметров шлифования, таких как требуемое шлифовальное усилие (721). Помимо применения в космосе, технологии цифровых двойников становятся все более важными и в области воздушной робототехники, а также в системах беспилотных летательных аппаратов (UAV). По мере роста масштабов и оперативной сложности группировок UAV цифровые двойники позволяют выполнять высокоточное моделирование воздушного пространства, проводить репетиции миссий и обеспечивать адаптивную координацию взаимодействия в группировке. Несколько исследований продемонстрировали эти возможности. Например, T. Souanef st al. представили фреймворк для обеспечения безопасности полетов, поддерживаемый цифровым двойником, для операций с несколькими UAV, позволяющий выполнять оценку рисков в реальном времени в динамически изменяющемся воздушном пространстве (722). Исследование, представленное в (723), разработало платформу цифрового двойника для планирования миссий группировок UAV, демонстрируя улучшенную координацию и снижение рисков столкновений за счет виртуализированного тестирования. В контексте инспекционных задач был предложен усовершенствованный цифровым двойником UAV-системный комплекс для мониторинга инфраструктуры, в котором виртуальная копия использовалась для оценки стратегий размещения датчиков и траекторий полета до выполнения работ в реальных условиях (724). Эти примеры показывают, что интеграция цифровых двойников в воздушную робототехнику по своей сути сопоставима с их применением в космической робототехнике, обеспечивая унифицированную ориентированную на моделирование основу, которая повышает автономность, безопасность и надежность выполнения миссий в обеих областях.

Медицинская и реабилитационная робототехника. Хотя концепция медицинской робототехники не является новой, ее интеграция с цифровыми двойниками в последние годы привлекла значительное внимание (711). Одна из самых быстрорастущих областей в этой сфере — DT-усиленная медицинская телеробототехника, которая имеет ключевые применения в роботизированных хирургических операциях (725, 726, 727, 728, 729). Подходы медицинской телеробототехники часто используют иммерсивные интерфейсы или среды виртуальной реальности (VR) (725, 730, 731). К ним относятся VR-помощь в управлении медицинским телеробототехническим и лабораторным оборудованием (730), телемедицинские сервисные роботы (732), а также разработки e-skin и мягких исполнительных механизмов, усиленные RDT-VR, для телеробототехнического сбора биологических образцов в контагиозных средах (731). Примечательно, что появление пандемии COVID-19 способствовало развитию телеробототехнических подходов, ориентированных на управление бедствиями и направленных на предотвращение инфекций в подобных средах (730, 731). В последние годы еще одна быстрорастущая тенденция в медицинской робототехнике — реабилитация, включающая разработку DT-усиленных протезов, экзоскелетов и других роботизированных мер поддержки. Например, DT-усиленное нейромышечно-скелетное моделирование и симуляция могут быть построены с использованием КТ-сканов для содействия разработке биомиметических прототипов роботов. Кроме того, цифровые двойники могут симулировать и оптимизировать создание протезов, адаптированных под конкретного пациента (733), роботизированных шестивинтовых внешних фиксаторов, ориентированных на исправление деформаций кости (734), и экзоскелетов на основе трибоэлектрических сенсоров (735). Более того, цифровой двойник для экзоскелета с тактильной рукой может воспроизводить процесс реабилитации в среде VR (736). Для самозапускающихся DT-усиленных экзоскелетов нижних конечностей разработана Автоматическая система управления данными ходьбы (AGDCS) (737). Пандемия COVID-19 ускорила внедрение роботизированной сборки медицинского оборудования для удовлетворения растущего спроса на такие поставки. В ответ на пандемию был создан цифровой двойник роботизированной системы для бесконтактного распределения лекарств и необходимых расходных материалов (738). Кроме того, был разработан оптимизированный с помощью DT механизм для Гуманно-роботного сотрудничества (HRC), чтобы удовлетворить растущие потребности в медицинском оборудовании, в частности в альтернаторах и аппаратах ИВЛ (739). Внедрение ИИ в сочетании с цифровыми двойниками также постоянно растет. Например, R-CNN применяли для обнаружения различного медицинского оборудования и соответствующих положений их цифровых двойников в виртуальной среде (730). В тот же год была разработана DT-интегрированная роботизированная платформа с использованием deep learning для автоматического сбора биологических образцов из носовых преддверий пациентов (740). Наконец, микромедицинская нано-робототехника представляет собой возникающую тенденцию в данной области. В 2022 году был разработан цифровой двойник микробота, который использовал ИИ для прогнозирования выходных параметров системы.

Мягкая робототехника. Как известно, датчики применяются для мониторинга как их движений, так и внешних воздействий, особенно в областях, таких как хирургические операции и микро-нано манипулирование, где точное обнаружение движения и тактильное зондирование имеют решающее значение (741, 742, 743, 744, 745). Мягкая робототехника, характеризующаяся высокой податливостью и ловкостью с исполнительными механизмами, похожими на мышцы, выполненными из материалов, таких как силиконовая резина и термопластичные полиуретаны (TPU) (746, 747, 748, 749), хорошо подходит для взаимодействия с датчиками, чтобы улучшить мониторинг и управление в робототехнических приложениях. Хотя мягкая робототехника является относительно новой областью, она обладает значительным потенциалом. Концепция цифрового двойника в мягкой робототехнике генерирует цифровую информацию, которая ускоряет разработку (711). Недавние тенденции исследований в области цифровых двойников мягкой робототехники все чаще сосредоточены на дополненной и расширенной реальности (750, 751). Мягкие роботы могут выступать в качестве виртуальных людей в человеко-ориентированных производственных системах, где эффективность инфраструктуры может быть дополнительно повышена за счет использования цифровых двойников в средах виртуальной реальности (VR) (752). Разработан цифровой двойник мягкого робота с использованием пневматических мышц, предлагающий многочисленные применения, включая клеточное производство, где он оптимизирует рабочую среду и снижает требования к пространству (753). Традиционные методы обработки данных недостаточны для управления неоднородными большими данными, необходимыми для создания интерфейсов человек–машина (MMI) для цифрового двойника. Это требует использования подходов машинного обучения в сочетании с усовершенствованными протоколами связи, такими как 5G, чтобы максимизировать эффективность цифрового двойника–мягкой робототехники и связанных систем (754). Например, машинное обучение улучшает интерпретацию данных для более точного манипулирования или обнаружения, такого как распознавание жестов с высокой точностью (755). Этот подход используется для изучения возможностей датчиков трибоэлектрических нано генераторов (TENG), специально разработанных. Трехактюаторный мягкий захват, изготовленный с помощью трехмерной (3D) печати и интегрированный с датчиками TENG, воспринимает состояние захвата и идентифицирует объекты, используя машинное обучение для анализа данных. Кроме того, создается программная платформа цифрового двойника, чтобы формировать дублирующее цифровое представление вышеописанного манипулирования в среде виртуальной реальности (VR), часто называемой киберпространством (756).

Промышленная робототехника.   Сектор промышленной робототехники является одним из самых быстрорастущих направлений, предлагая стандартизированные технологии, подходящие для различных процессов автоматизации (757). Всесторонний анализ в (758) показал, что цифровой двойник может быть эффективно использован для пяти типов обслуживания промышленных установок: реактивного, предписывающего, обслуживания по состоянию, прогнозного и профилактического, при этом последние два оказываются особенно эффективными. Эти подходы также применимы к системам, интегрированным с роботами. Vachálek и соавт. продемонстрировали цифровой двойник, который использовал генетический алгоритм для DT-оптимизированного прогнозного анализа и расширения возможностей установки на роботизированной производственной линии (759). Затем (760) предложил методологию моделирования Robot Digital Twin (RDT), использующую физически обоснованный подход и виртуальные датчики для сбора и формирования данных о промышленных роботах для прогнозного анализа. В 2018 году был применён подход обучения с подкреплением, чтобы робот мог автономно обучиться подъёму различных грузов. Модель робота можно было визуализировать и управлять ею через её цифровой двойник (761). Более поздние разработки включают DT-интегрированные оценки машинного зрения для промышленных робототехнических навыков (762) и усовершенствованное программирование промышленных роботов с использованием машинного обучения по информации о точечном облаке и RDT (763). Существенным ограничением подхода data-driven RDT, как отмечено в (764), является отсутствие исторических данных. Однако эту проблему можно решить за счёт генерации синтетических данных, которые далее можно улучшить с помощью алгоритмов ИИ. В (765) авторы представили подход глубокого обучения для генерации дополнительных синтетических изображений на основе цифровых моделей, достигнув 100%-ного успеха, когда разработанную модель переобучили и использовали для обнаружения объектов реального мира в различных ориентациях. Разработка эффективных алгоритмов ИИ для физических роботов представляет критическую задачу из-за чрезмерных затрат времени, ограничений на электропитание и компонентов при выполнении долгосрочных повторяющихся операций, а также из-за отсутствия подходящих виртуальных стендов испытаний (VTBs). Эффективное решение заключается в разработке алгоритмов на основе масштабных симуляций, где цифровые двойники доказали свою важную роль (766, 767). Показательные примеры включают DT-упрощённый перенос политик глубокого обучения с подкреплением из симуляции на физические роботы (766), а также обучение роботов в их цифровом двойнике для интеллектуального захвата с использованием сверточной нейронной сети генерации и выбора захватов, которая обеспечила 96,7% и 93,8% показателей успешности для захвата отдельных предметов и смешанных объектов соответственно (767).

ПОЛЕВАЯ И СЕРВИСНАЯ РОБОТОТЕХНИКА.   Полевая и сервисная робототехника охватывает разнообразные области применения — включая сельское хозяйство, строительство, горнодобычу, подводные исследования, поиск и спасение, логистику и общественные услуги — где роботы должны работать в динамических, слабо структурированных и часто опасных средах. Такие условия создают существенные неопределенности, связанные с вариативностью рельефа, воздействием окружающей среды, неблагоприятной погодой, шумом датчиков и непредсказуемыми взаимодействиями с людьми. Цифровые двойники стали мощным инструментом для смягчения этих проблем, обеспечивая высокоточные виртуальные аналоги физических систем для анализа, моделирования, планирования и управления (768, 769). В сельском хозяйстве Melesse и др. рассмотрели системы с поддержкой DT, которые моделируют рост культур, эволюцию влажности почвы и структуры кроны, чтобы поддерживать автономную прополку, сбор плодов и адресное опрыскивание (770). L. Yining и др. далее предложили роботизированные уборочные машины с поддержкой DT, оснащенные мультиспектральным зондированием, в которых цифровой двойник поддерживает оценку состояния плодов и позволяет выполнять адаптивные манипуляции с деликатными культурами (771). В робототехнике строительства продемонстрированы DT-ориентированные фреймворки, интегрирующие моделирование информационного здания (BIM), сканирование площадки в реальном времени и автономное управление техникой (772, 773). DT-ориентированные модели применялись для генерации оптимизированных траекторий выемки для автономных землеройных систем, тогда как DT-поддерживаемые роботизированные строительные процессы повышают точность размещения за счет непрерывной синхронизации между виртуальными и физическими моделями (774). Дополнительные усилия включают автономное связывание арматуры с опорой на DT (775), роботов для финишной обработки бетона, разработанных и валидированных в средах DT-моделирования (776), а также роботов для инспекции площадки, использующих виртуальные копии для навигации с учетом столкновений в загроможденных и постоянно меняющихся рабочих пространствах (777, 778, 779, 623, 780, 781, 782). В горнодобывающей промышленности и подземных условиях технологии DT поддерживают операции повышенного риска. Lee и др. представили цифровые двойники подземных тоннелей, которые объединяют геологические модели, экологическое зондирование и эксплуатационные записи для улучшения ситуационного анализа и планирования (783). Взаимодополняющие исследования показывают, что системы с поддержкой DT могут моделировать процессы деформации горных пород или динамику вентиляции до выполнения работ, обеспечивая более качественную оценку безопасности и повышение операционной эффективности (784). Подводная робототехника накладывает дополнительные ограничения, включая ограниченную видимость, динамические водные течения и жесткие ограничения связи (545). Orjales и др. разработали DT-ориентированные подводные симуляционные среды с высокоточным гидродинамическим моделированием, позволяющие автономным подводным аппаратам (AUV) уточнять навигационные и манипуляционные стратегии в реалистичных виртуальных условиях (785).

Взаимодействие человека и робота.   Изучение взаимодействия человека и робота (HRI) в последние десятилетия является предметом масштабных научных исследований (786). Расширенные возможности, предоставляемые цифровыми двойниками, существенно увеличивают потенциал эффективного использования человеко-роботных систем. В результате цифровые двойники в HRI привлекают значительное внимание для будущих инноваций (787). Ранние усилия в этой области были направлены на разработку надежных и интерактивных интерфейсов управления роботом (788) и доступных по цене 3D-реконструкций цифровых двойников для управления роботами на предприятиях (789). Роботы, оснащенные цифровым двойником, в виртуальной реальности (VR) и смешанной реальности (MR) в последние годы стали быстрорастущими направлениями исследований. К приложениям относятся проектирование и оптимизация рабочих мест HRI с использованием VR (790), надзор за роботизированным строительством в MR (791) и программирование роботов в VR и MR (792, 793, 794). Другие примечательные применения роботов с цифровым двойником включают складскую и внутриплощадочную автоматизацию с использованием автономных мобильных роботов (AMRs) (795, 796), а также цифровой двойник-интегрированное энергоэффективное интеллектуальное производство (797). Методы управления жестами также были заметно применены в различных задачах телероботики (798, 799, 800, 801, 802). Метод Leap Motion, благодаря простоте реализации в VR и интеграции с цифровыми двойниками, стал популярным выбором для роботизированных систем с управлением жестами рук (799, 803, 804). Роботы получают информацию о столкновениях с объектами на рабочем месте и действиях людей-операторов через моделирование в реальном времени и обработку в виртуальной тестовой среде (VTB), где цифровые двойники представляют роботов, людей-операторов и рабочее пространство (798). Многие подходы используют универсальность интерфейсов MR/VR, чтобы дополнительно расширять телероботику, поддерживаемую цифровыми двойниками (730, 805, 806, 807, 808). Такие расширения включают создание иммерсивных пользовательских интерфейсов для управления роботами (805, 807, 808), операции в опасных средах, например на ядерных объектах (805), кинестетическую помощь операторам роботов (806) и основанную на ИИ обработку данных VR для улучшенного управления роботом (730). Клоновые цифровые двойники, которые собирают обширные данные со своих физических аналогов, представляют собой модное применение в человеко-роботных системах. Они собирают сенсорные данные почти в реальном времени от людей, роботов и их совместного окружения (7, 809, 810). Масштабируемый характер обмена данными клоновых цифровых двойников позволяет внедрять интеллектуальные функции с использованием AI и ML для планирования, оптимизации и автоматизации взаимодействий человек–робот (7). Кроме того, появляющаяся технология гаптики предоставляет дополнительный источник данных для HRI (811). Когда эта технология объединяется с Extended Reality (XR), она позволяет людям получать сенсорные впечатления в реальном времени, существенно улучшая совместное выполнение задач человеком и роботом. Недавние исследования по применениям цифровых двойников и AI во взаимодействии человека и робота (HRI) сосредоточились на различных направлениях, включая методы машинного обучения и глубокого обучения для оценки траектории робота и обнаружения препятствий, что обеспечивает безопасные и свободные от столкновений рабочие пространства HRI (812). Кроме того, Fast Fourier Transform (FFT) и цифровые двойники на основе машинного обучения используются в интерактивной роботизированной сварке и анализе поведения сварщика (813). Автономность на основе обучения с подкреплением в сложных сборочных средах направлена на снижение усталости оператора (814). Еще одно примечательное развитие связано с жизненными циклами и оптимизацией роботов для pick-and-place при разработке продуктов в виртуальной среде (815). Кроме того, DT-поддерживаемое глубокое обучение применяется для распознавания действий человека (816, 817, 818, 819, 820, 821, 822) наряду с методами аугментации данных для телеманипуляции с поддержкой VR (730), а также системами распознавания eye-gaze и жестов головы, которые способствуют управлению жестами при телеманипуляции роботом (802). Например, Mobile ALOHA включает недорогую систему телеприсутствия всего тела, которая собирает данные от высококачественных демонстраций человека, а также новый алгоритм обучения имитацией, эффективно обучающийся на этих демонстрациях (823, 824, 825, 826, 827). Наконец, были достигнуты существенные успехи в разработке роботов, способных выполнять процессы самонаучающейся сборки (828).

7.8 Естественная система и среда

Естественная среда имеет решающее значение для поддержания жизни на Земле и сохранения экологического баланса, оказывая глубокое влияние на человеческую деятельность (829). Экологические опасения вызвали множество важных тем для обсуждения, включая изменение климата (830, 831), биоразнообразие (832, 833), усилия по сохранению (834, 835) и устойчивое развитие (836, 837). Модели цифрового двойника, благодаря своей уникальной способности создавать виртуальные копии экологических объектов и моделировать киберфизические системы, постепенно привлекают внимание как многообещающее решение этих экологических проблем (838, 839). Хотя технология цифрового двойника хорошо зарекомендовала себя в промышленных секторах, ее применение в науках об окружающей среде остается на начальном этапе из-за сложности моделирования экологических систем (840). Традиционные динамические модели на основе физики из более ранних эпох сложны и требуют больших вычислительных затрат, что не позволяет поддерживать высокоразрешительные интерактивные системы цифрового двойника для экологических симуляций (841). Однако, применяя модели машинного обучения и искусственного интеллекта, системы цифрового двойника развиваются, чтобы обеспечить большую масштабируемость, совместимость и высокоточные киберпредставления окружающей среды (10, 11, 842, 843, 844). Такая интеграция не только облегчает быстрые взаимодействия между физическими средами, но и ускоряет процессы симуляции, способствуя академическим и промышленным инновациям в таких областях, как погода (845), океан (846), геология (847), дикая природа (833) и лесное хозяйство (848). Передовое представление о цифровых двойниках, предложенное исследователями, организациями и компаниями, предполагает создание цифровой Земли, которая описывается как динамическая интерактивная копия прошлых, настоящих и будущих состояний Земли (849, 831)⟧.

Прогноз погоды.   Прогноз погоды направлен на снижение связанных потерь и повышение общественной пользы за счет предоставления точной информации об условиях погоды (850). Модели цифровых двойников обеспечивают точные высокопроцессорные прогнозы, объединяя методы машинного обучения и deep learning (851, 830), что делает их ключевыми в различных приложениях. Исследования показали, что включение моделей цифровых двойников в прогноз погоды может эффективно поддерживать процессы принятия решений при смягчении рисков природных катастроф (852, 853), службах погоды (845, 854) и энергосетях на основе возобновляемой энергии (855, 856). Для прогнозирования природных климатических катастроф исследователи разработали множество цифровых моделей. Brocca задумал модель Hydrology, цифровой двойник гидрологических процессов Земли, чтобы предсказывать наводнения, используя данные в реальном времени как наземных, так и спутниковых измерений осадков и влажности почвы, помогая в смягчении последствий катастроф (852). Аналогично была построена цифровая модель двойника на основе как неконтролируемого, так и контролируемого обучения для динамического мониторинга ледяных бурь (854). Также ведутся усилия по улучшению служб погоды с помощью моделей цифровых двойников. Singh et al. предложили структуру для генерации высокодетализированных данных об осадках в городах, чтобы произвести революцию в городских климатических услугах, предоставляя городским планировщикам своевременную и точную климатическую информацию (841). Koldunov и Jung показали, как LLM могут обеспечивать локализованные климатические услуги путем сочетания возможностей LLM и имитационных моделей, делая манипуляции в симуляциях более доступными (857). Chen et al. включили информацию о зрении в LLM, предложив новый подход Vision-Language Model (858). Такое объединение существенно улучшает анализ погодных тепловых карт, повышая скорость и точность обнаружения экстремальных погодных событий на основе прогностических возможностей LLM. Кроме того, погодные условия играют важную роль в выработке энергии. Sehrawat et al. разработали систему цифрового двойника для прогнозирования солнечной инсоляции (855), в то время как Stadtmann et al. спроектировали цифровой двойник, ориентированный на повышение эффективности выработки ветровой энергии (856). Savage et al. сосредоточили свои исследования цифровых двойников на облегчении сотрудничества между исследованиями в области энергетики и климата (859)⟧.

Ocean System.   Океаническая система имеет решающее значение для жизни на Земле, поэтому понимание океанической динамики является глубоко значимым (860). Модели цифровых двойников для океана охватывают различные области, демонстрируя их огромный потенциал в понимании состояния и изменений океана, таких как устойчивость океана (837), наблюдение за океаном (861, 862) и прогнозы прибрежных наводнений (383). Цифровые двойники играют важную роль в обеспечении устойчивости океана, сокращая и предотвращая чрезмерный вылов, моделируя и прогнозируя морское загрязнение и облегчая пространственное планирование морской деятельности (837). Rakotonirina et al. провели исследование цифрового двойника для систем Ocean Cleanup, оптимизируя конструкцию системы, прогнозируя показатели работы флота и оценивая операционные затраты (863). В применении наблюдения и моделирования океана подводная сеть систем океанических наблюдений была развернута в Балтийском море, что продемонстрировало реализуемость цифровых двойников в экстремальных подводных условиях (862). Аналогично Zheng et al. улучшили прогнозы высоты волн для генерации океанической энергии, интегрировав рекуррентные нейронные сети (864). OceanNet, цифровой двойник на основе физически информированной нейронной сети, моделирует и прогнозирует циркуляцию океана в региональных морях, используя Fourier neural operator, повышая устойчивость и снижая рост авторегрессионной ошибки при долгосрочных прогнозах (861). Прогнозирование прибрежных наводнений является еще одним заметным применением. Локальный проект цифрового двойника суши на итальянском побережье интегрирует экологические, демографические и морские данные в высокоточный цифровой модель для мониторинга, симуляции и прогнозирования природной и человеческой активности (865). Thiria et al. разработали усовершенствованный метод глубокого обучения для повышения пространственного разрешения оценок течений океана по данным спутниковых наблюдений, объединяя поля геофизического океана с низким разрешением и данные с высоким разрешением с использованием convolutional neural networks (866). Методы physics-informed machine learning также применялись для создания быстрых и точных моделей для прогнозирования прибрежных наводнений, существенно ускоряя процесс симуляции при сохранении высокой точности в прогнозировании высоты уровня поверхности моря (383)⟧.

Геологическое моделирование.   Моделирование в геологии является важной и долговременной темой, которая приобрела значимость благодаря присущей сложности подземных процессов, часто не поддающихся прямому наблюдению (867, 868). Модели цифровых двойников преобразили традиционное геологическое моделирование за счет точности и эффективности (869, 870), стимулируя развитие таких направлений, как геологическое моделирование (871, 872), подземные работы (872, 873) и мониторинг геологических катастроф (874, 875). В аспекте геологического моделирования Wang et al. использовали фреймворк цифрового двойника для построения сложных 3D-геологических моделей, включающих данные в реальном времени, чтобы уточнять эти модели и адаптировать их к новым геологическим условиям (871). Yang et al. представили набор инструментов EdGeo — физически направленный генеративный AI-инструмент для исследования подповерхностных слоев, который повышает достоверность карт скоростей за счет diffusion-based моделей (876). Кроме того, модели цифровых двойников существенно помогают при ведении подземных работ. При строительстве тоннелей используются динамически обновляемые модели цифровых двойников для управления постоянно меняющимися геологическими условиями, возникающими в долгосрочных проектах (872). В горнодобывающем секторе цифровая двойниковая система обеспечивает обновленные и точные представления месторождений, поддерживая обоснованное принятие решений в операциях добычи (873). Дополнительно, модели цифровых двойников играют важную роль в мониторинге геологических катастроф. Zhang et al. применили цифровые двойники для выполнения мгновенных и динамических прогнозов сложных и часто происходящих геологических катастроф, таких как оползни, землетрясения и селевые потоки, в своих системах мониторинга и раннего предупреждения (874). Для сейсмологического исследования Vladimir et al. внедрили численные методы и высокопроизводительные вычисления в системе цифрового двойника, чтобы создавать детальные 3D-модели геологических структур, моделируя распространение сейсмических волн для повышения понимания подповерхностной области (875).

Защита дикой природы.   Биоразнообразие обладает внутренней ценностью для природного мира и имеет решающее значение для поддержания функциональности экосистемы (832, 833). Дикая природа играет жизненно важную роль в поддержке биоразнообразия (877). Цифровые двойники могут моделировать дикую природу и обеспечивать динамические, прогнозные сведения, которые улучшают понимание экологических систем (834). Эти сведения включают мониторинг поведения животных и состояния популяций, тем самым усиливая природоохранные мероприятия. Sharef и др. разработали интерактивную систему машинного обучения, интегрированную с цифровыми двойниками, чтобы улучшить модели прогнозирования биоразнообразия (833). Прототип, моделирующий распространение вируса среди дикой природы и помогающий в разработке эффективных стратегий управления, был создан Ingenloff (878). Чтобы снизить число столкновений «дикая природа—транспортное средство», Moulherat и др. спроектировали интегрированную систему с использованием датчиков и машинного обучения, опираясь на данные в реальном времени с фотоловушек для постоянного управления дикой природой (879). Fergus представил инновационную систему, в которой цифровые транзакции, запускаемые обнаружениями с фотоловушек, компенсируют местным хранителям их природоохранные усилия, способствуя вовлечению сообщества в сохранение биоразнообразия (880). Rolph расширил применение цифровых двойников для управления культурными экосистемными услугами, объединяя биоразнообразие и рекреацию сообщества, чтобы обеспечить всестороннюю оценку экосистемных услуг (881). Sakhri адаптировал технологию цифровых двойников для оптимизации использования энергии при мониторинге водоплавающих птиц, продемонстрировав существенные улучшения возможностей мониторинга в реальном времени (882). Teschner представил новый подход, усиленный цифровыми двойниками, с использованием беспилотных летательных аппаратов, чтобы защищать сельскохозяйственные угодья от проникновения дикой природы, демонстрируя приспособляемость технологии к различным потребностям природоохранных задач (883).

Управление лесами.   Леса содержат необходимую функциональность для поддержания здоровья экосистем Земли и климата (884). Модели цифровых двойников обладают способностью использовать исторические данные для симуляции и прогнозирования изменений в лесных экосистемах со временем (848). Следовательно, появление технологии цифровых двойников привнесло преобразующие изменения в область управления лесами, обозначив существенный прогресс в том, как лесные экосистемы мониторятся, анализируются и управляются (838). Динамическое моделирование экосистем в работе Qiu et al. использует дистанционное зондирование и 3D параметрическое моделирование для мониторинга лесных экосистем в реальном времени (885). В то же время Li et al. разработали надежную базу данных для виртуального управления лесными плантациями (886). Эти технологии позволяют высоко интерактивную и динамическую модель цифрового двойника для лесов, которая обеспечивает мониторинг и принятие решений в реальном времени, улучшая управление лесными экосистемами за счет обеспечения синхронизации между виртуальными и реальными взаимодействиями. На национальном уровне Li et al. использовали многозадачную сеть глубокого обучения для точного картографирования и характеристики каждого отдельного дерева внутри и за пределами лесов по всей Дании, определяя местоположение, площадь кроны и высоту деревьев, тем самым повышая эффективность национального управления лесами и усилия по сохранению (887). Продолжая развитие, Mõttus et al. представили высокоточный глобальный модельный подход в рамках инициативы Digital Twin Earth, улучшив картографирование и характеризацию растительности по всей Европе (888). Городские леса также выигрывают от технологий цифровых двойников, как демонстрируют Ozel и Petrovic. Их фреймворк Green Urban Scenarios включает такие факторы, как погодные условия, породы деревьев, заболевания и пространственные распределения в симуляциях, помогая предсказывать будущие траектории и воздействия городских лесов при различных сценариях (889). Инновации продолжаются с внедрением адаптивных стратегий управления с использованием машинного обучения. Damavsevivcius применили алгоритмы обучения с подкреплением в их моделях цифровых двойников для оптимизации управления лесами (890). Кроме того, Zhong (853) и Sanchez-Guzman (891) оба сосредоточены на управлении лесными пожарами, используя модели цифровых двойников для эффективного прогнозирования и управления динамикой лесных пожаров, предоставляя данные в реальном времени, которые помогают предотвращать и смягчать лесные пожары.

Цифровая Земля. Поскольку исследователи разработали цифровые системы и модели машинного обучения на национальном, региональном и местном уровнях (892, 855, 841), появление более продвинутых моделей глубокого обучения и мощных вычислительных технологий сделало видение глобального цифрового двойника Земли все более реализуемым. Этот амбициозный проект направлен на одновременное осуществление глобальных климатических прогнозов и оценку локальных воздействий. Он объединяет передовые разработки в области информатики, математики и инженерии с междисциплинарными знаниями из естественных наук, чтобы создать интерактивные модели систем Земли глобального масштаба (830). Это видение вызвало широкомасштабное глобальное обсуждение (845, 831). Проект Earth-2 (893) воплощает эту амбицию, моделируя в реальном времени глобальные метеорологические условия и создавая копию всей атмосферной системы Земли для прогнозирования погодных условий, природных катастроф и проведения метеорологических исследований. Модели машинного обучения и глубокого обучения на основе данных и с учетом физики стремятся встроить правила физического мира в свои фреймворки (145). Примечательным успехом в этой области является модель FourCastNet, которая использует Adaptive Fourier Neural Operators, чтобы произвести революцию в глобальном прогнозировании погоды с высокодискретными выходными данными (142). Опираясь на это, Kurth et al. продемонстрировали масштабируемость и эффективность FourCastNet на системах суперкомпьютеров, прокладывая путь к крупномасштабному, в реальном времени, высокодискретному глобальному прогнозированию погоды (894).

7.9 Сельское хозяйство

По мере того как мировое население растет, а изменение климата влияет на продовольственную безопасность, возникает острая необходимость в сельскохозяйственных системах для повышения эффективности производства при минимизации потребления ресурсов. В ответ технология цифровых двойников становится все более необходимой (895, 896) благодаря своим преимуществам. Цифровые двойники, представляющие собой синхронизированные виртуальные аналоги физических объектов или систем, предлагают значительный потенциал для преобразования сельскохозяйственных практик, предоставляя подробные виртуальные копии ферм и сельскохозяйственных объектов (897). Эти виртуальные сельскохозяйственные системы способствуют интеллектуальному земледелию, управлению животноводством и оптимизации сельскохозяйственных объектов, тем самым обеспечивая такие преимущества, как снижение затрат, улучшение качества продукции и повышение эффективности операций, чтобы эффективно решать сельскохозяйственные задачи (898). Технологии machine learning и deep learning внедряются во все аспекты сельского хозяйства, охватывая этапы до производства, в ходе производства и после производства, позволяя выполнять более точные симуляции (899). Исследователи отмечают, что искусственный интеллект облегчает обработку и анализ данных в системах сельскохозяйственных цифровых двойников, поддерживая принятие решений и обеспечивая обратную связь для виртуальных систем (900, 901, 902). Современные достижения в генеративном AI обладают потенциалом для расширения возможностей технологий цифровых двойников, решая давние проблемы, такие как взаимодействие «фермер—система» и синтез сельскохозяйственных данных (903). Интеграция искусственного интеллекта с технологией цифровых двойников стимулирует значительный прогресс в сельском хозяйстве, повышая потенциал увеличения урожайности при одновременном снижении воздействия на окружающую среду и оптимизации использования ресурсов (904, 905, 906).

Умное земледелие.  Умное земледелие, смена парадигмы в сельскохозяйственных практиках, использует целый ряд современных инноваций, включая облачные вычисления, Интернет вещей, машинное обучение, дополненную реальность и робототехнику, чтобы произвести революцию в сельскохозяйственном производстве (907). По мере того как хозяйства все шире внедряют цифровизацию, концепция цифровых двойников возникла как комплексная основа, которая виртуализирует каждый объект внутри хозяйства, создавая цифровые копии культур, отражающие их поведение и состояния на протяжении всего жизненного цикла в виртуальном пространстве, что позволяет фермерам оптимизировать операции (908). В области управления орошением Alves и соавт. разработали сложную систему цифрового двойника, которая объединяет данные о почве, погоде и культурах для формирования ежедневных предписаний по поливу (909). Внесение азота, еще один критически важный аспект земледелия, также получило выгоду от технологии цифровых двойников. Stefano и соавт. обнаружили, что использование цифровых двойников для моделирования различных сценариев и анализа данных позволяет фермерам принимать более обоснованные решения относительно внесения азота (910). Smith подчеркивает применения ИИ для повышения точности при выявлении и измерении сельскохозяйственных действий, чтобы обеспечить надежные оповещения для фермеров (911). Визуальные методы нейронных сетей показали особую эффективность при мониторинге состояния растений. Nasirahmadi и соавт. продемонстрировали мощь сочетания этих методов с другими технологиями умного земледелия для выявления и оценки состояния растений с поразительной точностью (912). Интегрируя несколько технологий умного земледелия, Angin и соавт. предложили AgriLoRa — инновационную основу цифрового двойника, которая использует облачные алгоритмы компьютерного зрения для выявления болезней растений и дефицитов питательных веществ, предоставляя фермерам практические сведения для улучшения стратегий управления посевами (913).

Управление животноводством. Отрасль управления животноводством является еще одной важной областью в сельском хозяйстве, сталкивающейся с возрастающими вызовами из-за ограниченности ресурсов, необходимости сокращать выбросы парниковых газов и сокращения глобальной численности рабочей силы (914). Технология цифровых двойников стала многообещающим решением в животноводческом фермерстве. Эта технология создает цифровую копию, которая моделирует физические, биологические и поведенческие состояния животных на основе входных данных в реальном времени, позволяя выполнять оптимальные и устойчивые операции по управлению поголовьем (915). Интеграция цифровых двойников с технологиями дополненной реальности (AR) и виртуальной реальности (VR) дополнительно улучшает обучение ветеринарных специалистов и заводчиков, предоставляя им иммерсивные интерактивные среды обучения, которые моделируют реальные сценарии, в конечном итоге повышая благополучие животных и операционную эффективность (916). В сфере аквакультуры AI-powered IoT цифровые системы революционизируют практики выращивания рыбы, применяя датчики и интеллектуальные устройства для сбора данных в реальном времени по показателям рыбы, состоянию окружающей среды и статусу здоровья, что позволяет автоматизировать кормление рыбы, мониторинг качества воды и обнаружение заболеваний (905). Передовые исследования в этой области включают воспроизведение гидродинамического поведения живых организмов в водных средах с использованием визуальных нейронных сетей, которые извлекают признаки из данных видео, в сочетании с вычислительной гидродинамикой для анализа и прогнозирования гидродинамических сигналов для навигации рыбы (917). Городское пчеловодство также получило пользу от технологии цифровых двойников. Был разработан многoагентный модель, интегрирующая популяции пчел, пчеловодов, непчеловодов и окружающую среду, для мониторинга и анализа здоровья и поведения пчелиных семей, предоставляя надежный инструмент поддержки принятия решений для фермеров малого масштаба и городских планировщиков (918). Для управления КРС разработана инновационная модель цифрового двойника, работающая на базе нейронных сетей LSTM, в рамках системы фермерского IoT для мониторинга и отслеживания физиологических и поведенческих состояний коров в реальном времени, используя возможности искусственного интеллекта для прогнозирования будущих моделей поведения и физиологических циклов КРС (919).

Сельское хозяйство в контролируемой среде. Сельское хозяйство в контролируемой среде (Controlled Environment Agriculture, CEA) резко контрастирует с традиционными методами ведения сельского хозяйства, делая упор на искусственно сконструированные сельскохозяйственные объекты. Эти объекты, включающие физические сооружения и установки, предназначены для создания оптимальных условий для повышения качества и эффективности выращивания, тем самым оптимизируя использование ресурсов (920, 921). Будучи основой современного крупномасштабного сельского хозяйства, эти системы применяют передовые технологии мониторинга и управления (922). Они демонстрируют огромный потенциал при интеграции с технологией Digital Twin (DT), обещая оживить сельскохозяйственные практики (923). Системы digital twin особенно эффективны в надзоре за условиями в закрытых структурах, таких как теплицы или помещения для выращивания в закрытом пространстве. Эти сложные системы управляют и варьируют различные факторы окружающей среды, включая температуру, влажность, интенсивность освещения, уровни CO2 и воздухообмен (921). Создавая цифровые копии физических ферм, система digital twin может моделировать и оптимизировать условия окружающей среды, улучшая благополучие животных и повышая эффективность управления фермой (924). Дальнейшие достижения в CEA направлены на повышение энергоэффективности и операционной результативности, особенно в управлении животноводством. Предлагаемая, например, структура digital twin воспроизводит физические свинарники в виртуальной среде. Это позволяет выполнять симуляции, которые оптимизируют системы отопления, вентиляции и кондиционирования воздуха (925). В коммерческом производстве в теплицах технология digital twin оптимизирует использование энергии и упрощает производственные процессы. Howard и соавт. описали систему digital twin, которая объединяет климатическое управление, управление энергопотреблением и производственные процессы, чтобы моделировать и уточнять операционные стратегии, не нарушая текущее выращивание (926). Prawiranto и соавт. провели всестороннее исследование по оптимизации процессов солнечной сушки фруктов. Их подход использует физически обоснованный Digital Twin, который включает механистические модели сушки плодов, модели качества и метеоданные, чтобы оценивать различные стратегии улучшения (927).

7.10 Коммерция

Традиционная живая торговля, хотя и быстро развивается, сталкивается с многочисленными трудностями, такими как переполненность, ограниченное время работы и длинные очереди. Она также страдает от ряда ограничений, включая неувлекательный контент и ограниченную интерактивность (928, 929). Цифровое двойникование позволяет создавать виртуальные копии физических объектов, давая потребителям возможность взаимодействовать с товарами или услугами в виртуальном пространстве, которое по сути имитирует реальные условия (929). Эта инновационная техника может преобразовать и e-commerce, и розничные магазины, создавая цифровые двойники товаров и клиентов, тем самым улучшая качество покупательского опыта (930, 931, 932). Кроме того, ее способность облегчать совместное проектирование позволяет нескольким заинтересованным сторонам, таким как клиенты, дизайнеры и производители, участвовать в процессе разработки продукта за счет сходимости физических и виртуальных данных (120, 933, 934). Более того, при наличии цифрового представления финансовых данных и действий, интегрированного со возможностями Large Language Models, система цифрового двойника также может предоставлять финансовые услуги отдельным лицам, учреждениям и правительствам (935, 936, 937). В отличие от традиционной торговли, цифровые двойники используют данные в реальном времени и применяют модели машинного обучения (938). Алгоритмы глубокого обучения, такие как распознавание изображений, 3D reconstruction и даже generative AI, используются для категоризации товаров, оптимизации планировки магазинов и более точного прогнозирования потребностей клиентов (120, 932, 939). Эти технологии повышают операционную эффективность в настройке и реагировании, способствуя принятию обоснованных решений и улучшая качество обслуживания клиентов как в виртуальных, так и в физических магазинах.

Электронная коммерция.   В развивающемся ландшафте e-commerce интеграция технологии цифровых двойников привела к появлению новых применений — от иммерсивных покупок до расширенного обнаружения мошенничества (940) и реалистичного моделирования поведения потребителей (939). Чон и его коллеги разработали платформу MBUS, объединяющую элементы metaverse с живой коммерцией, чтобы создать виртуальную среду покупок, повышая вовлеченность пользователей за счет возможности интерактивного взаимодействия с товарами в реальном времени (928). Параллельно Ван и соавторы продвинули методы обнаружения мошенничества, моделируя поведение пользователей как генетические последовательности в рамках SAGE, где используются принципы из генетики для повышения точности выявления мошеннических действий (940). Яо и его команда внесли вклад в WebShop — крупномасштабную интерактивную среду, в которой обучаются language agents для выполнения задач на веб-сайтах путем навигации и настройки взаимодействий с реальными товарами на основе текстовых инструкций (939). Терán и его соавторы создали агентную модель симуляции, включающую динамику сарафанного радио и теорию одобрений, чтобы более точно отражать рыночные модели поведения (941). Кроме того, Кузьмишев изучает применение цифровых двойников в индустрии моды с акцентом на 3D цифровом дизайне одежды (934). Этот процесс существенно снижает затраты труда и материалов за счет использования виртуальных моделей людей и виртуальной одежды для моделирования взаимодействия между телом и одеждой. Фу и соавторы разработали инновационную систему примерки в Augmented Reality для цифровых двойников виртуальной одежды, включающую взаимодействия в реальном времени и реалистичную симуляцию ткани за счет оптимизированной структуры. Это может существенно улучшить впечатления клиентов в средах виртуальной розничной торговли модной одеждой (942).

Розничная торговля.   Сбор и анализ данных в реальном времени стали двигателем дальнейшего роста в розничной отрасли (943). Технология цифровых двойников может служить в качестве основы для интеграции данных, обеспечивая интеллектуальный анализ различных аспектов розничной отрасли и облегчая принятие решений (944). Вьяякумар рассматривает концепцию поведенческого цифрового двойника, который моделирует поведение потребителей, чтобы адаптировать взаимодействия и прогнозировать будущие покупки, стремясь существенно повысить удовлетворенность клиентов за счет персонализированных впечатлений (938). В другом применении Содзи и др. сосредоточиваются на послеуборочном сроке хранения импортируемых фруктов, используя физически обоснованные цифровые двойники для управления и мониторинга гигротермических условий, тем самым улучшая качество фруктов от упаковочного цеха до розничных магазинов (945). Сэнгупта и Драйер показывают, как цифровые двойники могут облегчать планирование продаж и операций в розничной торговле продуктами питания, помогая предсказывать и управлять вариативностью по всей цепочке создания ценности, чтобы минимизировать потери (946). Кроме того, Лю и др. представляют многомодальный подход, который использует AI-ориентированное распознавание продуктов в реальном времени и реконструкцию магазина в 3D для создания точного виртуального представления физических розничных пространств, повышая как операционную эффективность, так и взаимодействие с клиентами (930). Пус и др. вводят инновационное применение роботов, которые сканируют местоположения товаров в магазине и интегрируют это в цифровой двойник, предоставляя клиентам информацию о товарах в реальном времени (931). Стаччио и др. обсуждают социальное принятие и потенциальные преимущества Human Digital Twins в fashion-ритейле, подчеркивая, как 3D-модели клиентов могут улучшать сервис и удовлетворенность клиентов в магазинах формата brick-and-mortar (947).

Финансовые услуги и анализ. Интеграция технологии цифровых двойников в финансовом управлении и экономических симуляциях перестраивает возможности существующих инструментов, встраивая данные в реальном времени, LLMs и более похожие на человеческие процессы принятия решений. Аншари и его коллеги рассматривают применение технологии DT в robo-advisors, превращая их из статических инструментов в динамические платформы финансового консультирования. Эта интеграция позволяет добиваться непрерывного улучшения за счет взаимодействия и обновлений данных в реальном времени, обеспечивая пользователям более адаптированные и оперативные решения для финансового управления (935). Ли и соавт. представляют EconAgent — агентно-ориентированную модельную основу, которая использует LLMs для симуляции макроэкономических явлений, позволяя принимать более реалистичные решения на основе работы, потребления и прошлых экономических тенденций (936). В другом инновационном подходе Agent-based Simulated Financial Market использует LLMs, чтобы имитировать реальных людей-трейдеров и моделировать поведение фондового рынка. В состав фреймворка ASFM входит реалистичная система сопоставления ордеров, а также моделируются различные отраслевые сектора, создавая агентов с разнообразными профилями и стратегиями, которые могут понимать динамику рынка и реагировать на экономические новости (937). Вешнева разработала новый подход к построению цифровых двойников социально-экономических систем на основе математических моделей, использующих status function, что повышает качество предиктивной аналитики и принятия решений в сложных, неопределенных средах (948). Баркалов и соавт. представили инновационную распределенную архитектуру системы прогнозирования информации, интегрирующую цифровые двойники и recurrent neural networks для предиктивного обслуживания активов в социально-экономических системах, демонстрируя улучшенную точность при прогнозировании оставшегося полезного срока службы и потенциальных отказов активов (949).

7.11 Образование и обучение

За последние четыре года метод цифрового двойника в образовании приобрёл популярность благодаря обеспокоенности вопросами безопасности, связанными с традиционным очным обучением во время пандемии COVID-19 (950, 951). Как виртуальные модули, воспроизводящие реальные процессы строительных работ, цифровые двойники могут сочетать онлайн- и офлайн-обучение, выступая в качестве решения для обеспечения непрерывности и качества образования (952). Некоторые исследователи считают, что из-за быстрого ускорения удвоения знаний традиционные методы обучения становятся ограниченными (953, 954). Динамическая модель цифрового двойника облегчает интегрированную образовательную среду, объединяя физическое и цифровое пространства для предоставления всеобъемлющих образовательных ресурсов, таких как традиционные знания, опыт и общественная мудрость. Она также улучшает персонализированные учебные результаты, интегрируя различные аспекты академической и личной жизни студента (952, 955). Система цифрового двойника повышает результаты обучения, позволяя учащимся получать опыт эффективной передачи данных и взаимодействия, облегчая понимание сложных практических знаний за счёт интеграции виртуальной реальности, как показано в существующих результатах (956). Кроме того, используя передовые технологии, такие как Internet of Things, artificial intelligence, virtual reality и 5G, образовательные учреждения могут создавать более эффективные и персонализированные условия обучения (955, 957). В последнее время появилось больше статей, демонстрирующих потенциал генеративного ИИ, особенно LLMs и agents, как революционных инструментов для усиления симуляций и улучшения образовательных методик (958, 959, 960, 961).

Виртуальное обучение.   Применение цифровых двойников в образовательной среде, от иммерсивных виртуальных сред до практических инструментов обучения, существенно повышает вовлеченность учащихся и понимание по различным дисциплинам (954, 950, 962). Например, Николаев и соавт. внедрили систему цифрового двойника, которая позволяет студентам магистратуры создавать виртуальные модели проходческих машин для тоннельных работ, обогащая учебный процесс и вызывая повышенный интерес к программе (954). Мадни и соавт. вовлекли студентов в разработку цифровых двойников путем оснащения физических транспортных средств датчиками, помогая студентам понимать динамику транспортного средства и техники управления, а также выходить за рамки традиционного лекционного обучения (962). Кроме того, Хань и соавт. разработали комплексный цифровой двойник кампуса с использованием наклонной фотосъемки с БПЛА и 3D-моделирования, интегрированный через Unity3D для содействия мониторингу и принятию решений в режиме реального времени (951). Раззак и соавт. первыми создали DeepClassRooms — фреймворк цифрового двойника, который использует convolutional neural networks для улучшенного отслеживания посещаемости и мониторинга доставки контента в школах государственного сектора, демонстрируя адаптивность цифровых двойников при решении образовательных задач в условиях ограниченных ресурсов (963). Чжан и соавт. представили SimClass — передовой фреймворк, который моделирует традиционную классную обстановку с использованием LLM. Этот фреймворк улучшает образовательный опыт, позволяя LLM брать на себя различные роли в классе, что способствует когнитивному и социальному развитию, а также развитию совместного поведения, обогащая динамику учебного класса в целом (961)⟧.

Интерактивное обучение.   Технология цифровых двойников в образовании развивается благодаря инновационным применениям, чтобы формировать совместные и интерактивные обучающие среды (964, 961). Системы цифровых двойников используют аналитические методы обработки данных и ИИ, чтобы в режиме реального времени корректировать сложность содержания, темп и траектории обучения, персонализируя учебный опыт на основе индивидуальной успеваемости и потребностей обучающихся (960, 965). Sepasgozar применил эти технологии, чтобы дать обучающимся возможность безопасно исследовать сложные строительные виды деятельности через модуль VTBM — иммерсивную виртуальную среду (950). Инновационно, Lee и его коллеги ввели игровые элементы в рамках цифрового двойника, чтобы прояснить математические концепции и вовлечь обучающихся в деятельность по решению задач (966). В голографическом классе, который представляют Liu и Ba, цифровые двойники обеспечивают иммерсивное и интерактивное трехмерное обучающее пространство, объединяя физический и виртуальный миры для улучшения образовательного опыта и внедрения динамических методов обучения (957). Lan и Chen разработали фреймворк командного обучения, где человеческих педагогов объединяют с ИИ-агентами, предназначенными для поддержки персонализированного обучения и предоставления обратной связи в реальном времени. Этот подход повышает педагогическую эффективность, сохраняя при этом динамику преподавания людьми (964). В математическом образовании Yue и др. разработали MATHVC — виртуальную платформу, где LLM моделируют взаимодействия обучающихся в многоперсонажной среде. Эта платформа побуждает к совместному решению задач и предлагает масштабируемый способ практиковать математику без постоянного надзора со стороны преподавателя, тем самым повышая вовлеченность обучающихся и автономию обучения (960). Murtaza и его команда изучают применение ChatGPT в обучении вождению, сравнивая традиционные методы обучения с интерактивным обучением на базе ChatGPT. Их результаты показывают, что участники, обученные с помощью ChatGPT, демонстрируют существенно более высокие результаты обучения, что подтверждает эффективность LLM в практических применениях (965).

7.12 Квантовые вычисления для цифрового двойника

Мотивация: Почему цифровым двойникам нужна квантовая вычислительная техника. Поскольку технологии цифровых двойников (DT) развиваются в сторону моделирования все более амбициозных систем — многoфизических, высокоразмерных, работающих в реальном времени и с тесной связностью, — вычислительная нагрузка на симуляцию, вывод, оптимизацию и управление быстро возрастает. Многие ключевые рабочие нагрузки DT можно свести к задачам высокоразмерной линейной алгебры, стохастического моделирования и крупномасштабной комбинаторной оптимизации, чья классическая сложность обычно растет полиномиально или даже экспоненциально с соответствующими размерностями пространства состояний, параметров или решений. Даже при современной высокопроизводительной вычислительной инфраструктуре (HPC) и аппаратуре ускорителей эти ограничения масштабирования сужают как достижимые пространственное/временное разрешение, так и объем исследования сценариев в рамках операционных бюджетов времени (967).

Классические архитектуры цифровых двойников — обычно включающие прием данных с датчиков, моделирование-заместитель на основе AI/ML и численное моделирование — поэтому начинают упираться во внутренние узкие места в трех ключевых областях, даже если они подкреплены масштабной инфраструктурой HPC:

1. Масштабирование и связь: Системы вроде целых умных городов, биологических сетей, аэрокосмических систем или крупных производственных предприятий включают высокоразмерные пространства состояний, сильные нелинейности, многодоменную физику (механическую, тепловую, электрическую, биологическую) и петли обратной связи в реальном времени. На практике это означает многократное решение больших связанных задач с частными дифференциальными уравнениями/дифференциально-алгебраическими уравнениями, задач байесовского вывода высокой размерности, а также глобальных или смешанно-целочисленных задач оптимизации по многим переменным управления и проектирования. Сложность моделирования, симуляции и управления такими системами с высокой точностью для чисто классических методов оказывается пугающей, что приводит к серьезным компромиссам между разрешением, охватом и задержкой.

2. Операция в реальном времени/почти в реальном времени: цифровые двойники все чаще применяются не только для автономного анализа, но и для принятия оперативных решений, обнаружения/прогнозирования неисправностей, автономного управления и адаптации. Достижение низкой задержки, высокой достоверности моделирования и вывода на больших системах представляет собой сложную задачу для классических методов, особенно когда решения должны обновляться в масштабах времени, сопоставимых со скоростью измерений. В ближайшей перспективе любое квантовое ускорение более реалистично применять к вычислительно затратным, но допускающим задержки подпрограммам (например, периодической переоптимизации, генерации сценариев, улучшению политики), что косвенно поддерживает работу DT в реальном времени, а не непосредственно в контуре обратной связи с миллисекундным уровнем..

3. Сложная оптимизация и вывод в условиях неопределенности: типичные задачи DT включают комбинаторную оптимизацию (составление расписаний, маршрутизация, управление), вероятностный вывод с количественной оценкой неопределенности, обратные задачи (например, определение состояния системы или неисправностей по данным датчиков) и высокоточное моделирование физических явлений. Эти задачи естественным образом отображаются на классы квантовых алгоритмов, которые обещают асимптотические ускорения в запросной или выборочной сложности при подходящих допущениях: квантовые приближенные алгоритмы оптимизации (QAOA) и связанные с ними вариационные методы для комбинаторных задач, квантовая оценка амплитуд и квантово-ускоренный Монте-Карло для количественной оценки неопределенности, а также квантовые линейные решатели и решатели для PDE для крупномасштабного моделирования и обратных задач (968, 969, 970, 967). Однако строгие сквозные квантовые преимущества для полных рабочих процессов DT остаются открытым исследовательским вопросом, особенно на шумных промежуточных квантовых аппаратных средствах (NISQ).

В этой области квантовые вычисления (QC) не являются монолитной заменой классической инфраструктуры DT, а скорее перспективным источником ускорения алгоритмов для отдельных вычислительных ядер. Вместо того чтобы концентрироваться на физических явлениях, таких как суперпозиция и запутанность, на уровне DT полезнее рассматривать QC через призму квантовых алгоритмов для моделирования, оптимизации и обучения, многие из которых допускают доказуемые или предположительные преимущества в сложности с точки зрения теории вычислений по сравнению с лучшими известными классическими аналогами (967, 971). Мы используем термин Quantum Digital Twin (QDT) для обозначения гибридной квантово-классической архитектуры DT, в которой классические компоненты управляют интерфейсами датчиков, предварительной обработкой данных, предметно-ориентированной логикой и большинством задач управления, тогда как квантовые вычислительные устройства (QPUs) вызываются как ускорители для тщательно выбранных «хардкорных» подзадач (например, крупномасштабной оптимизации, высокоразмерного вывода или детализированного физического моделирования) (972, 973). Недавние обзорные работы и промышленные примеры начали описывать такие архитектуры QDT и ранние прототипы в областях, включая производство, эксплуатацию smart-city и цепочки поставок (974, 972, 975).

Помимо моделирования и оптимизации, QDTs могут включать модули квантового машинного обучения (QML) или квантового ИИ (QAI) как высокоемкостные аппроксиматоры функций для восприятия (извлечение признаков из многомерных данных сенсоров), прогнозирования (предсказание состояния и параметров) и принятия решений (обучение политике и планирование). Подходы QML на основе вариационных квантовых схем и квантовых карт признаков активно исследуются как способ обменять классическую выборочную или вычислительную сложность на глубину квантовой схемы и ресурсы кубитов (976, 977). Одновременно устройства эпохи NISQ накладывают строгие ограничения по числу кубитов, шуму и связности, поэтому для ближайших QDTs вероятно применение квантовых модулей в автономных или пакетных режимах, а также опора на гибридные схемы, такие как вариационные квантовые алгоритмы (VQAs), которые объединяют параметризованные квантовые схемы с классической оптимизацией (971).

С архитектурной точки зрения полезно различать несколько обобщенных типов квантовых модулей, которые могут быть повторно использованы в областях DT: (i) модули квантового моделирования для высокоразмерных линейных систем, PDE или квантовой химии; (ii) модули квантовой оптимизации для комбинаторной и непрерывной оптимизации; (iii) модули QML/QAI для обучения с учителем, без учителя и с подкреплением; и (iv) квантово-усиленную криптографию и примитивы безопасной коммуникации. Тогда каждая прикладная область ниже может рассматриваться как реализующая различные комбинации этих обобщенных модулей в соответствии со своими доминирующими вычислительными узкими местами.

Квантовые цифровые двойники в разных областях применения. Ниже мы придерживаемся структуры областей из Разделов 7.1–7.11 и обсуждаем, как квантовые вычисления могут усиливать цифровые двойники в каждой области. Для каждой области мы выделяем ключевой потенциальный эффект и сопоставляем рабочие нагрузки DT с кандидатными квантовыми модулями, ссылаясь на соответствующую литературу, где это доступно. В нескольких областях такие сопоставления в основном носят концептуальный характер, отражая раннюю стадию исследований и внедрения QDT.

1. Системы здравоохранения

Цифровые двойники в здравоохранении моделируют органы, физиологические системы, планирование лечения и долговременный мониторинг, специфичные для пациента. При дополнении вычислениями на квантовом компьютере можно представить как минимум три основных улучшения. Во-первых, в более долгосрочной перспективе алгоритмы квантовой химии и квантового молекулярного моделирования могли бы повысить точность моделей взаимодействия лекарственного средства с мишенью и тем самым предоставить более точные механистические априорные оценки или наборы параметров для цифровых двойников уровня пациента для персонализированной медицины (978). В ближайшей перспективе такие квантовые симуляции с большей вероятностью будут применяться в автономном режиме для молекулярного скрининга и калибровки модели, а не в реальном времени в клинических рабочих процессах. Во-вторых, модели QML/QAI могут быть использованы для анализа разнородных, высокоразмерных данных пациентов — таких как долговременные электронные медицинские записи, изображения и multi-omics — чтобы прогнозировать траектории заболеваний и ответы на лечение в условиях неопределённости, например с помощью методов quantum kernel или вариационных квантовых классификаторов (976, 977). В-третьих, составление расписаний лечения, планирование радиотерапии и распределение ресурсов больницы можно формулировать как задачи крупномасштабной комбинаторной оптимизации, потенциально решаемые с помощью квантовых эвристик, подобных QAOA, или подходов на основе отжига (968). Недавние исследования по цифровым двойникам в здравоохранении предполагают, что включение таких квантово-ориентированных модулей может расширить размерность и связи, которые можно обрабатывать в моделях, специфичных для пациента, хотя практические внедрения QDT в клинических условиях всё ещё находятся на самом раннем этапе (979)⟧.

2. Биологическая система

Для более широких биологических систем (метаболических сетей, клеточных сообществ, взаимодействий экосистема–организм) QDT могут нацеливаться на вычислительное ядро стохастических моделей реакции–диффузии и динамики сети. Например, анализ генно-регуляторных или сигнальных сетей часто сводится к динамике на больших разреженных графах и к выборкам из высокоразмерных стационарных распределений, что может выиграть от алгоритмов на основе quantum walk или схем квантового ускоренного семплирования. С другой стороны, данные одно-клеточной омики естественным образом приводят к задачам анализа крайне высоких размерностей и разреженных данных в кластеризации и выводе траекторий, где представление, обучаемое с использованием QML, в принципе может обеспечивать более выразительные встраивания. Ранние работы по гибридным квантово-классическим цифровым двойникам с явной количественной оценкой неопределенности указывают, что модули, усиленные квантовыми методами, могут быть полезны для распространения неопределенности через такие сложные моделируемые сети (973), хотя конкретные крупномасштабные развертывания биологических QDT пока недоступны.

3. Авиационно-космическая отрасль

Аэрокосмические системы (самолёты, спутники, ракеты-носители) включают связанные структурные, тепловые, гидродинамические и управляющие подсистемы, жёсткие требования по безопасности и поддержку принятия решений в реальном времени. В этой постановке QDT в принципе могут усиливать несколько классов задач. Оптимизация траектории, проектирование созвездий и планирование миссий порождают большие дискретные или смешанно-целочисленные задачи оптимизации, естественные кандидаты для модулей квантовой оптимизации на базе QAOA-подобных или основанных на отжиге подходов (968). Высокоточные аэротермодинамические и структурные симуляции требуют решения очень больших разрежённых линейных систем или PDE, для которых квантовые линейные решатели и квантовые алгоритмы для PDE обещают асимптотические ускорения в определённых режимах (969, 980). Однако перенос этих теоретических преимуществ на сетки промышленного уровня, сложные граничные условия и ограничения сертификации остаётся долгосрочной задачей. Наконец, предиктивное обслуживание и диагностика неисправностей в авионике и мониторинг структурного состояния могли бы использовать модели QML, обученные офлайн на телеметрических данных и потоках датчиков, с развертыванием дистиллированных классических суррогатов в экземплярах DT, работающих в безопасности-критичном, реальном времени. Развивающиеся ориентированные на аэрокосмос концепции QDT подчёркивают оптимизацию в реальном времени и автономное принятие решений в космических приложениях, но пока в основном остаются на стадии дорожной карты или прототипа (981).

4. Умный город DT умного города объединяют транспорт, энергетику, здания, среду и инфраструктуру в городском масштабе. Возникающие вычислительные нагрузки сочетают оптимизацию потоков сети (для трафика и логистики), распределение задач и управление ответной реакцией на спрос (для энергосистем) и координацию многоагентных систем (для мобильности и услуг). Алгоритмы квантовой оптимизации могут быть использованы для решения крупных комбинаторных подзадач, таких как планы по времени работы светофоров, планирование отклика на спрос или распределение ресурсов распределённой энергетики в рамках гибридных схем планирования (975). Модели QML для предсказания в пространственно-временном контексте могут помочь в прогнозировании трафика, потребности в энергии и состояния окружающей среды при неопределённости, повышая устойчивость предсказаний DT на уровне города. Кроме того, квантовоустойчивая криптография и, в выбранных сценариях, квантовое распределение ключей могут быть интегрированы в архитектуры QDT умного города, чтобы обеспечить защищённые каналы связи «двойник—двойник» и межорганизационного взаимодействия, включающие данные критически важной инфраструктуры, дополняя традиционные механизмы кибербезопасности.

5. Мобильность и транспорт

В транспортировке (парки транспортных средств, потоки в сети, автономная мобильность) цифровые двойники поддерживают маршрутизацию, прогнозирование в реальном времени и принятие решений, критичных к безопасности. QDTs могут вносить вклад в квантово-ориентированную комбинаторную оптимизацию для задач маршрутизации транспортных средств, планирования смен и зарядки, а также для задач перераспределения порожних транспортных средств, многие из которых могут быть представлены как крупные экземпляры QUBO, подходящие для QAOA или эвристик отжига (968, 975). Для автономных и подключенных транспортных средств могут быть исследованы квантовые методы обучения с подкреплением и планирования для сложного принятия решений в многоагентных системах в условиях неопределенности, хотя в первую очередь — в контуре офлайн-обучения и оценивания, а не в управлении, критичном к задержкам. Масштабное моделирование сценариев и анализ редких событий, потенциально ускоряемые методами quantum Monte Carlo, могут дополнительно повысить предсказательную способность mobility DTs.

6. Умное производство

Производство относится к наиболее зрелым доменам DT. Интеграция квантовых вычислений открывает ряд конкретных возможностей. Планирование производства, задачи диспетчеризации job-shop и flow-shop, а также динамическая перенастройка производственных ячеек представляют собой классические задачи оптимизации NP-трудного класса, которые можно кодировать как модели QUBO или Ising и решать с помощью квантовых оптимизационных модулей в стиле QAOA или основанных на отжиге (968, 972). Со стороны аналитики модели QML можно обучать на высокомерных данных технологических процессов, потоках вибрации и изображений для задач прогнозного обслуживания и контроля качества. Например, промышленные сотрудничества между Bosch и Multiverse Computing уже начали изучать квантовые и квантово-инспирированные алгоритмы как ускорители в рабочих процессах имитационного моделирования DT для производства, включая прототипы QDT для процессов на заводе (982). Эти инициативы по-прежнему находятся на стадии проверки концепции, но они демонстрируют, как квантовые модули могут быть встроены в существующие промышленные конвейеры DT.

7. Робототехника

Для робототехники (сотрудничающие роботы, автономные дроны/транспортные средства) цифровые двойники должны моделировать кинематику, динамику, сенсорику, взаимодействия со средой и контуры управления в условиях жёстких требований к реальному времени. Поэтому квантовое усиление более реалистично в вычислительно тяжёлых, но допускающих задержки компонентах, таких как планирование движения, распределение задач и оптимизация политики, а не в низкоуровневом сервоприводном управлении. Например, распределение задач для нескольких роботов и планирование путей можно формулировать как задачи комбинаторной оптимизации для решателей на базе QAOA или подходов, основанных на отжиге, при этом методы QRL или квантово-усиленного поиска политики могут быть исследованы для обучения политик управления в сложных, частично наблюдаемых средах. Во всех случаях квантовые модули, вероятнее всего, будут работать в автономном режиме или в надзорных циклах, тогда как политики или планировщики в конечном итоге выполняются классическими контроллерами в физических роботах.

8. Природные системы и среда

Экологические системы (климат, атмосфера, водные/земные системы, дисперсия загрязнений, динамика экосистем) по своей природе являются высокоразмерными, стохастическими и многоуровневыми. В этой предметной области DT опираются в значительной степени на численное решение PDE, стохастических дифференциальных уравнений и больших разреженных линейных систем, а также на Монте-Карло-сэмплирование для оценки неопределённости и анализа экстремальных событий. Квантовые алгоритмы для линейных систем и PDE, а также квантовый Монте-Карло с помощью amplitude estimation, дают асимптотические преимущества для некоторых из этих задач (969, 980, 967). На практике в ближайших приложениях, скорее всего, будут использоваться модели с пониженным порядком или суррогатные модели, самые дорогие компоненты которых передаются квантовым ускорителям. Недавний квантово-DT проект по оптимизации завода по производству зелёного водорода иллюстрирует процессно-ориентированный экологический QDT, в котором исследуется квантовая оптимизация для повышения операционной эффективности в условиях стохастических возобновляемых входных данных и спроса (983).

9. Сельское хозяйство

Модель цифровых двойников в сельском хозяйстве связывает почву–культуру–климат, потоки воды и питательных веществ, рост культур и планирование операций на ферме, обычно на больших пространственных областях и на длительных временных горизонтах. Получающиеся задачи принятия решений (например, планирование полива и внесения удобрений, развертывание техники, планирование севооборота) имеют высокую размерность, являются стохастическими и подвержены влиянию нескольких, иногда противоречивых целей (урожайность, стоимость, воздействие на окружающую среду). Для исследования больших комбинаторных пространств решений в многокритериальном планировании с ограничениями может использоваться квантовая оптимизация, а модели QML могут помочь объединять данные дистанционного зондирования со спутников, данные полевых IoT и метеорологические данные для оценивания скрытых состояний «почва–культура» и прогнозирования урожайности в условиях неопределенности. Хотя конкретные исследования QDT в сельском хозяйстве в настоящее время встречаются редко, недавние работы по интеграции QML–DT и по квантово-усиленной обработке неопределенности в задачах цепочек поставок указывают, что похожие гибридные квантово-классические архитектуры могут быть полезны для планирования и логистики в сельском хозяйстве (984, 985)⟧.

10. Торговля

В коммерции цифровые двойники моделируют цепочки поставок, жизненные циклы активов, поведение клиентов и риски. QDT здесь естественным образом опираются на модули квантовой оптимизации и QML. Проектирование сетей, выбор размещения объектов, позиционирование запасов и маршрутизация могут быть сформулированы как задачи крупномасштабной комбинаторной оптимизации, подходящие для квантовых эвристик типа QAOA или основанных на отжиге, возможно, встроенных в многоэтапные стохастические рамки оптимизации. Для управления риском и неопределённостью в последнее время были предложены гибридные квантово-классические цифровые двойники цепочек поставок, в которых квантовые преобразования признаков и вариационные классификаторы применяются для улучшения прогнозирования спроса, обнаружения аномалий и распространения неопределённости, при этом DT служит стендом для оценки политики (984, 985). Эти исследования сообщают о потенциальных выигрышах в точности прогнозов и вычислительной эффективности на небольших тестовых стендах, но подчёркивают, что масштабируемость и аппаратный шум по-прежнему остаются существенными проблемами. Квантово-устойчивая криптография и методы безопасных вычислений с участием нескольких сторон могут дополнительно поддерживать финансовые и цепочечно-поставочные системы на основе QDT, хотя они ортогональны ключевым ролям моделирования и оптимизации квантовых вычислений. Квантово-классические гибридные DT для оценки неопределённости в самих шумных квантовых устройствах представляют ещё одно направление работы, подчёркивающее применение концепций QDT для анализа производительности квантового оборудования (973).

11. Образование и обучение

Образовательные и тренировочные цифровые двойники (виртуальные лаборатории, иммерсивное обучение, симуляторы сложных систем) могут извлекать выгоду из QDTs двумя взаимодополняющими способами. Во-первых, DT, которые моделируют сложные физические или инженерные системы, могут включать модули квант-ускоренной симуляции — например, в квантовой физике, химии или материаловедении — чтобы предоставлять обучающимся интерактивный доступ к явлениям, которые в противном случае оказываются недоступными для вычислительных или экспериментальных исследований (971, 978). Во-вторых, DT самого процесса обучения могут использовать модели QML/QAI для построения персонализированных траекторий обучения и адаптивных тренировочных сценариев на основе богатых данных о взаимодействии обучающегося, при этом DT предоставляет песочницу для проверки педагогических политик до их внедрения. В настоящее время конкретные развертывания QDT в образовании и подготовке остаются в основном концептуальными, однако сочетание DT с QML/QAI согласуется с более широкими тенденциями в data-driven, simulation-based образовании.

8 Открытые задачи и дальнейшие направления

Хотя цифровые двойники, усиленные ИИ, продемонстрировали преобразующий потенциал в различных областях, ряд фундаментальных проблем остается нерешенным. В этом разделе определяются ключевые открытые задачи и намечаются перспективные направления исследований, требующие скоординированных усилий со стороны научного сообщества.

Мост между физикой и ИИ.   Несмотря на прогресс в нейронных сетях, учитывающих физику (PINNs), и гибридном моделировании, сохраняется фундаментальное противоречие между данными-ориентированным ИИ и физическими моделированиями (145). Интеграция в нескольких масштабах по-прежнему представляет сложную задачу — например, цифровые двойники сердечно-сосудистой системы должны бесшовно моделировать от молекулярной биохимии до гемодинамики уровня органов, при этом сохраняя вычислительную эффективность (119). Оценка неопределенности в гибридных моделях не имеет обоснованных методов для объединения неопределенностей как из физически-ориентированных, так и из данных-ориентированных компонентов, что критически важно для ответственных применений, таких как аэрокосмическая отрасль и здравоохранение. Обеспечение того, чтобы модели ИИ сохраняли физические ограничения, такие как законы сохранения и причинность, во время предсказаний на больших горизонтах, требует архитектур со встроенными физическими априорами, включая Hamiltonian neural networks и symplectic integrators.

Масштабируемость и производительность в реальном времени. По мере расширения систем цифровых двойников от отдельных активов к взаимосвязанным сетям, охватывающим заводы, цепочки поставок или города, вычислительные задачи растут экспоненциально (986). Для оркестрации распределенных двойников при обеспечении согласованности данных и минимизации накладных расходов на обмен данными требуются иерархические и федеративные архитектуры. Нейронные модель-заменители обеспечивают ускорение моделирования, но должны находить баланс между вычислительной эффективностью и физической точностью. Адаптация в реальном времени к изменениям физических систем, включая деградацию и отказ, по-прежнему остается сложной. Модели, развертываемые на периферийных устройствах, требуют эффективных методов сжатия, которые сохраняют физическую согласованность при соблюдении ограничений по задержке (507).

Достоверность и этика. Цифровые двойники все чаще используются для принятия решений, критически важных для безопасности, что требует строгих гарантий прозрачности, устойчивости и справедливости (987). Объяснимость должна выходить за рамки приписывания признаков и распространяться на причинные и физически обоснованные интерпретации. Контрфактическое рассуждение и количественная оценка неопределенности могут поддерживать анализ сценариев «что-если», повышая надежность диагностики. Устойчивость к противодействующим возмущениям и сохранение работоспособности при каскадных отказах обратной связи остаются открытой проблемой. Методы формальной верификации, адаптированные из теории управления, могут помочь подтверждать безопасность системы. Этические рамки управления, которые определяют подотчетность, проверяемость и защиту конфиденциальности, необходимы для обеспечения доверия и общественного принятия (988).

Сотрудничество человека и ИИ.   Надзор со стороны человека остается незаменимым в экосистемах цифровых двойников, особенно в сложных, неопределенных или критически значимых контекстах. Эффективное сотрудничество требует интуитивных интерфейсов, где запросы на естественном языке переводятся в действия моделирования или оптимизации. Погружающая визуализация (VR/AR) и мультимодальная коммуникация могут сделать интерпретируемыми для операторов предсказания высокой размерности. Обучение с подкреплением с участием человека и рамки совместной автономности могут динамически интегрировать экспертную обратную связь, позволяя системам, которые учатся предпочтениям пользователя и калибруют уровни доверия посредством прозрачной передачи неопределенности.

Стандартизация и перенос между предметными областями. Отсутствие универсальных моделей данных, онтологий и протоколов обмена ограничивает взаимодействие между платформами цифровых двойников (51). Общеотрасловая стандартизация — чему способствуют инициативы вроде Digital Twin Consortium — необходима для развития модульных, совместимых архитектур. Перенос обучения предоставляет возможность использовать знания из зрелых промышленных областей, чтобы ускорить развертывание в развивающихся направлениях, таких как synthetic biology. Наборы эталонных данных, охватывающие различные режимы работы и отказы, вместе с унифицированными метриками оценки, сбалансированными по точности, устойчивости и интерпретируемости, имеют ключевое значение для воспроизводимых исследований.

Emerging Frontiers.   Новые рубежи для цифровых двойников простираются на глобальные и масштабы уровня человека. Климатические, эпидемические и социально-экономические цифровые двойники требуют интеграции физических моделей с измерениями человеческого поведения и политики (989). Полноцелостные двойники человека и моделирование на квантовом уровне представляют долгосрочные цели, требующие прорывов в интеграции данных на разных масштабах, биологическом моделировании и вычислительной эффективности. Расширение концепций цифровых двойников на социальные системы поднимает глубокие вопросы о человеческой агентности, рефлексивности и этике, подчеркивая необходимость междисциплинарного сотрудничества между исследователями в области ИИ, социальными учеными и специалистами по этике.

Сближение технологий искусственного интеллекта и цифровых двойников меняет то, как мы воспринимаем, прогнозируем и управляем сложными физическими системами. Реализация этого потенциала потребует связать физику и ИИ, масштабировать архитектуры для автономности в реальном времени, обеспечить этическое регулирование и развивать сотрудничество, ориентированное на человека. Мы представляем будущее, в котором цифровые двойники, управляемые ИИ, будут служить когнитивными инфраструктурами — осуществлять мониторинг, рассуждение и адаптацию в масштабах от молекулярного до планетарного, — обеспечивая начало новой эры интеллектуального, устойчивого и заслуживающего доверия управления системами.

9 Благодарности

Настоящая работа частично поддержана грантами CORE и RIG Университета Лихай. Кроме того, мы с благодарностью отмечаем помощь Руокси Чен на ранних этапах подготовки рисунков и ее содержательные обсуждения во время ее пребывания в качестве приглашенной студентки в Университете Лихай.