Sono necessarie significative ricerche matematiche, statistiche e computazionali di base per colmare il divario tra lo stato attuale dell’arte e i futuri gemelli digitali.
Rappresentazione virtuale
La sfida principale dei gemelli digitali è l’ampia gamma di scale spaziali e temporali che la virtualizzazione potrebbe dover affrontare. In molte applicazioni, la scala alla quale i calcoli sono fattibili non è in grado di risolvere i fenomeni chiave e non raggiunge la precisione necessaria per supportare le decisioni. Diverse applicazioni dei gemelli digitali hanno requisiti diversi per la fedeltà della modellazione, i dati, l'accuratezza, l'accuratezza, la visualizzazione e il tempo necessario per raggiungere la soluzione, ma molti potenziali usi dei gemelli digitali non possono attualmente essere risolti con le risorse computazionali esistenti. Gli investimenti sia nelle risorse informatiche che nei progressi matematici/algoritmici sono elementi necessari per colmare il divario tra ciò che può essere simulato e ciò che è necessario per ottenere gemelli digitali affidabili. Particolari aree di interesse includono la modellazione multiscala, la modellazione ibrida e la modellazione surrogata. La modellazione ibrida comporta una combinazione di approcci di modellazione empirici e meccanicistici che fanno uso delle migliori formulazioni basate sui dati e basate sui modelli. La combinazione di modelli basati sui dati con modelli meccanicistici richiede tecniche di accoppiamento efficaci per facilitare il flusso di informazioni comprendendo al tempo stesso i limiti e le ipotesi inerenti a ciascun modello. Più in generale, è possibile utilizzare modelli con risoluzioni diverse in diversi sottosistemi, potrebbe essere necessario riconciliare le ipotesi e sincronizzare i dati multimodali provenienti da fonti diverse. In generale, è più probabile che le simulazioni dei gemelli digitali richiedano una federazione di simulazioni individuali piuttosto che un singolo sistema software monolitico, rendendo necessaria la loro integrazione in un ecosistema di gemelli digitali completo. Aggregare i parametri di rischio e misurare l’incertezza su più sistemi dinamici non è banale e richiede l’ampliamento dei metodi esistenti.
La sua controparte fisica
I gemelli digitali si basano sull’elaborazione in tempo reale (o quasi in tempo reale) di dati accurati e affidabili, spesso eterogenei, su larga scala e multi-risoluzione. Sebbene una letteratura significativa sia stata dedicata alle migliori pratiche relative alla raccolta dei dati e alla preparazione per l’uso, diverse importanti opportunità meritano un’ulteriore esplorazione. Gestire dati anomali o anomali è fondamentale per garantire la qualità dei dati; Sono necessari metodi robusti per identificare ed eliminare i falsi valori anomali rappresentando con precisione eventi rari degni di nota. D’altro canto, i vincoli su risorse, tempo e accesso possono ostacolare la raccolta dei dati con la ripetibilità o la precisione necessarie per acquisire adeguatamente le dinamiche del sistema. Questa mancanza di campionamento, soprattutto in sistemi complessi con ampia variazione spaziotemporale, può portare a trascurare eventi o caratteristiche importanti. Dovrebbero essere utilizzati metodi di campionamento innovativi per migliorare la raccolta dei dati. Gli approcci di intelligenza artificiale (AI) e machine learning (ML) che si concentrano sulla massimizzazione delle prestazioni nel caso medio possono introdurre grandi errori in eventi rari, quindi sono necessarie nuove funzioni di perdita e parametri di prestazione. I miglioramenti nell’integrità, nelle prestazioni e nell’affidabilità dei sensori, nonché la capacità di rilevare e mitigare gli attacchi avversari, sono fondamentali per aumentare la credibilità dei gemelli digitali. Per elaborare le enormi quantità di dati, come i dati di streaming su larga scala, necessari per i gemelli digitali in alcune applicazioni, è necessario sviluppare metodi di assimilazione dei dati che sfruttino modelli, architetture e framework computazionali migliorati di apprendimento automatico.
Etica, privacy, gestione dei dati e sicurezza
In alcuni contesti, i gemelli digitali possono fare affidamento su dati identificabili (o reidentificabili), mentre altri possono contenere informazioni private o sensibili. La protezione della privacy individuale richiede una considerazione proattiva di ogni elemento dell’ecosistema del gemello digitale. In ambienti sensibili o ad alto rischio, i gemelli digitali richiedono maggiori livelli di sicurezza, soprattutto per quanto riguarda il trasferimento di informazioni tra le loro controparti fisiche e virtuali. In alcuni casi, il controllore automatizzato può impartire comandi diretti al peer fisico in base ai risultati del peer virtuale; Proteggere queste comunicazioni dalle interferenze è fondamentale.
Il flusso del feedback fisico verso quello virtuale
Sono necessarie metodologie di problemi inversi e di assimilazione dei dati per combinare osservazioni fisiche e modelli virtuali. I gemelli digitali richiedono calibrazione e aggiornamento su scale temporali attuabili, evidenziando lacune fondamentali nel problema inverso, nella teoria dell’assimilazione dei dati, nella metodologia e nei metodi computazionali. L’apprendimento automatico e l’intelligenza artificiale possono svolgere un ruolo importante nell’affrontare queste sfide, come le tecniche di apprendimento online per aggiornare continuamente i modelli utilizzando dati in streaming. Inoltre, in ambienti in cui i dati sono limitati, metodi come l’apprendimento attivo e l’apprendimento di rinforzo possono aiutare a guidare la raccolta di dati aggiuntivi più rilevanti per gli obiettivi del digital twin.
Il flusso delle reazioni virtuali al fisico
Il gemello digitale può guidare cambiamenti nella controparte fisica stessa (ad esempio, attraverso il controllo) o nei sistemi di monitoraggio associati alla controparte fisica (ad esempio, attraverso la guida dei sensori), attraverso un controller automatizzato o umano. Esistono formule matematicamente e statisticamente complesse per la progettazione sperimentale ottimale (OED), ma pochi approcci possono adattarsi ai tipi di problemi ad alta dimensione previsti per i gemelli digitali. Nel contesto dei gemelli digitali, l’Oxford English Dictionary deve essere strettamente integrato con le funzioni di acquisizione e controllo dei dati o di supporto alle decisioni per progettare e dirigere in modo ottimale la raccolta dei dati. Il dual computing digitale in tempo reale può richiedere l’edge computing con vincoli di precisione computazionale, consumo energetico e comunicazioni. I modelli di machine learning che possono essere implementati rapidamente sono adatti a soddisfare questi requisiti, ma la loro natura di scatola nera rappresenta un ostacolo alla creazione di fiducia. È necessario ulteriore lavoro per sviluppare un apprendimento automatico affidabile e modelli alternativi che funzionino bene nelle condizioni computazionali e temporali richieste. Le esigenze di adattamento dinamico dei gemelli digitali possono trarre vantaggio dai metodi di apprendimento per rinforzo, ma esiste un divario tra le garanzie teoriche di prestazione e i metodi efficaci nei settori pratici.
Verifica, verifica e stima dell'incertezza (VVUQ)
VVUQ deve svolgere un ruolo in tutti gli elementi dell’ecosistema dei gemelli digitali ed è fondamentale per lo sviluppo, l’uso e la sostenibilità responsabili dei gemelli digitali. L'evoluzione della controparte fisica nelle condizioni d'uso del mondo reale, i cambiamenti nella raccolta dei dati, il rumore dei dati, i cambiamenti nella distribuzione dei dati condivisi con il gemello virtuale, i cambiamenti nei compiti di previsione e/o decisionali posti al gemello digitale, e gli aggiornamenti ai modelli di gemelli digitali virtuali hanno tutti delle conseguenze.Su VVUQ. La verifica e la validazione aiutano a costruire l'affidabilità in una rappresentazione virtuale, mentre la quantificazione dell'incertezza determina la qualità delle sue previsioni. Le nuove sfide che VVUQ deve affrontare per i gemelli digitali derivano da incoerenze dei modelli, metriche irrisolte, modellazione surrogata, intelligenza artificiale, modellazione ibrida e dalla necessità di fare previsioni in sistemi estrapolati. Tuttavia, un gemello digitale VVUQ deve anche affrontare le incertezze associate alla controparte fisica, compresi i cambiamenti nei sensori o nelle apparecchiature di raccolta dati, e l’evoluzione della controparte fisica. Le applicazioni che richiedono aggiornamenti in tempo reale richiedono anche VVUQ continuo e questo non è ancora computazionalmente fattibile. VVUQ svolge anche un ruolo nella comprensione dell'impatto dei meccanismi utilizzati per trasferire le informazioni tra il fisico e il virtuale. Questi includono sfide derivanti dall’incertezza dei parametri e problemi inversi indefiniti o sottodeterminati, nonché l’incertezza derivante dall’inclusione di un essere umano nel ciclo.