digital twin
PulseAugur coverage of digital twin — every cluster mentioning digital twin across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
新框架 \alg 通过联邦强化学习保护自动驾驶汽车免受投毒攻击
研究人员开发了一个名为 \alg 的新框架，以增强自动驾驶汽车中使用的联邦强化学习 (FRL) 系统的安全性。该框架解决了投毒攻击的威胁，投毒攻击可以通过注入恶意参数来破坏全局控制模型。\alg 集成了数字孪生进行基于排练的学习，并利用历史数据确保只聚合良性信息，从而减轻恶意代理的影响。该系统的有效性已通过理论保证并在现实高速公路环境的模拟中得到验证。
-
数字孪生：是让生活更简单还是更复杂？
探讨了数字孪生的概念，并质疑它最终会使生活更简单还是更复杂。这项技术涉及为各种应用创建物理实体、系统或流程的虚拟副本。
-
新框架通过在线贝叶斯学习增强数字孪生
研究人员开发了一个新的自适应数字孪生框架，该框架增强了其在土木工程应用中的价值。该方法利用动态贝叶斯网络来模拟物理系统和虚拟系统之间的交互，通过贝叶斯更新实现状态转移动力学的在线学习。该框架允许比当前方法更广泛的分布范围，并采用强化学习来解决参数马尔可夫决策过程，以制定精确的动态策略。这导致了更个性化、更鲁棒、更具成本效益的数字孪生，正如在铁路桥梁结构健康监测和维护规划的案例研究中所证明的那样。
-
新方法将工业机电管道点云分割精度提高21.7%
研究人员开发了一种新方法，用于提高工业环境中三维激光扫描（TLS）点云的分割精度，特别是针对机电管道（MEP）系统。该方法解决了极端类别不平衡和几何模糊性的挑战，即尾部类别与主导类别共享相似的原始特征。通过引入空间上下文约束，包括Boundary-CB和Density-CB，该方法提高了对减速器和阀门等安全关键组件的识别准确性，从而为数字孪生和Scan-to-BIM应用提供更可靠的数据。
-
模块化基础模型增强数字孪生时间序列感知能力
研究人员开发了一种模块化基础模型，用于数字孪生和预测与健康管理（PHM）系统中的时间序列感知。该框架利用多样化数据集上的自监督学习，从预训练编码器创建可迁移的、任务无关的表示。门控机制动态选择相关的编码器，然后通过基于 Transformer 的自注意力模块处理以模拟跨编码器交互。这种方法支持多种下游任务，如插补、预测和少样本学习，只需对预训练组件进行少量调整。
-
新流水线优化LLM适配器服务的GPU效率 · 跟踪2个来源
arXiv上的一篇新论文详细介绍了一个数据驱动的流水线，旨在优化大型语言模型（LLM）适配器服务的GPU效率。该流水线使用数字孪生和机器学习模型来预测性能并确定适配器放置，目标是通过实现接近峰值的利用率来最大限度地减少GPU资源需求。实验表明，该方法可以将目标工作负载所需的GPU数量平均减少60%。另外，一篇dev.to文章讨论了在笔记本电脑上本地运行LLM的局限性，强调了由系统RAM决定的集成GPU（iGPU）显存上限如何影响模型性…
-
AI 探索个人数字孪生以增强决策能力
个人数字孪生的概念正在被探索，作为一种增强个人决策能力的工具。这种由 AI 驱动的方法旨在创建一个虚拟的自我副本，以模拟结果并为日常选择提供见解。潜在应用涵盖商业策略、虚拟建模和市场颠覆。
-
车载数字孪生框架检测女巫攻击，提升碰撞预警
研究人员开发了一种新的联网汽车碰撞预警框架，该框架集成了数字孪生（DT）和女巫攻击检测。该框架利用时间卷积网络（TCN）和分层可导航小世界（HNSW）算法来识别恶意的虚假车辆。现场实验证明了女巫攻击检测的高准确性，并显著降低了近碰撞指标，同时满足了安全应用的时延要求。
-
新型数字孪生设计大幅降低自动驾驶模拟成本
研究人员开发了一种新颖的数字孪生（DT）查询驱动架构，旨在提高自动驾驶模拟的效率。这种新方法允许数字孪生根据其正在进行的模拟，主动从车辆请求特定的环境数据，而不是依赖于持续的实时状态同步。该系统旨在最小化规划位置误差，同时管理数字孪生的保真度和通信约束，据报道，与传统方法相比，位置误差降低了 24%，通信开销减少了 40%。
-
新的显微镜框架推动了自主实验和剂量效率
研究人员引入了一个耦合的数字孪生框架，用于预测性和自主显微镜，将样本和仪器模型分开以预测实验结果。该方法旨在将自动化实验从闭环优化推向开放式决策。同时，开发了一个名为STEMGym的新基准，用于自主电子显微镜，专注于剂量预算下的顺序决策。研究结果表明，感知管道（而非导航策略）是原子分辨率成像中剂量效率的主要驱动因素。
-
AI数字孪生模仿老年人语音以监测认知健康
研究人员开发了一种新颖的框架，用于创建老年人的语言数字孪生，以辅助认知健康监测。这些数字孪生利用大型语言模型（LLMs）复制对话模式，并融入风格计量线索和上下文元数据。引入了条件变分自编码器（cVAE）来评估这些孪生的保真度并预测认知分数，在I-CONECT数据集上表现出与真实数据相当的性能，并优于标准的GPT响应。
-
强化学习通过自适应仿真到现实对齐提升轴承健康监测性能
研究人员开发了一种新颖的方法，用于提高基于振动的轴承健康监测的准确性，特别是在故障数据有限的情况下。他们的方法利用强化学习来自适应地对齐仿真数据与真实世界条件，解决了通常阻碍数字孪生应用的差异。该技术生成特定故障类型的校正，在最小化仿真信号与实际信号之间差距的同时，保持不同故障类别的可分离性。该方法在跨不同设备的转移监测能力方面取得了显著的提升，在无需重新训练编码器的情况下达到了92.8%的准确率。
-
新的 DT-2 范式优化数字孪生以支持决策
研究人员推出了一种新的面向决策的数字孪生训练范式 DT-2。与专注于最小化单步转移误差的传统方法不同，DT-2 优化数字孪生以进行策略排序和决策。该方法使用拟合 Q 评估来估计策略值，并训练数字孪生以保留这些排序，在各种场景中展示了改进的策略选择和减少的决策遗憾。
-
数字孪生和强化学习提升轴承健康监测精度
研究人员开发了一种新方法，利用数字孪生和强化学习来提高轴承健康监测的准确性。该方法通过创建故障特定的对齐变换来解决数据稀疏和仿真与真实世界数据之间差距的挑战。通过将特征对齐构建为连续动作马尔可夫决策过程，系统可以根据当前数据配置调整其纠正措施，从而实现更可靠的故障诊断。
-
Eco Wave Power 利用 NVIDIA AI 将海浪转化为电力
Eco Wave Power 正在开发一种新颖的波浪能转换技术，该技术利用 NVIDIA 的 AI 基础设施和数字孪生能力。该系统旨在利用海浪的力量产生清洁电力，以满足日益增长的 AI 基础设施和其他行业对能源的需求。通过利用现有的海洋结构和先进的 AI 进行实时优化和预测性维护，该技术力求提供一种持续高效的可再生能源。
-
NVIDIA 利用 AI 数字孪生为波浪能和地热能提供动力
Eco Wave Power 正在利用 NVIDIA 的 AI 基础设施和数字孪生技术将波浪能转化为清洁电力。该方法利用现有的海洋结构和陆基控制中心来优化发电和配电。此外，Fervo Energy、NVIDIA 和太平洋西北国家实验室正在合作开发一个增强型地热系统的数字孪生平台，目标是在 2029 年前实现对地下储层行为的实时洞察。
-
AI 双胞胎和代理商将重新定义 2026 年的业务运营
2026 年，人工智能将通过 AI 双胞胎和 AI 代理的出现，彻底改变业务运营。AI 双胞胎是业务流程的高级数字版本，将使组织能够模拟决策并预测结果，从而提高效率和战略规划。同时，AI 代理正超越简单的聊天机器人，成为能够执行任务、做出决策和管理工作流程的数字员工，只需最少的人工干预，为小型企业和内容创作者带来显著的成本节省和效率提升。
-
LLM agents in 6G networks overcome anchoring bias for energy efficiency
研究人员开发了一个新的框架，用于使用大型语言模型（LLM）代理在6G网络中进行自主资源协商。该研究识别并解决了这些LLM代理中的锚定偏差问题，该问题可能导致网络配置效率低下。提出了一种新颖的随机锚定策略，该策略使用截尾三参数威布尔分布进行建模，并与数字孪生集成，以减轻这种偏差。该方法通过双峰约束规避效用定理和来自1B参数模型的经验结果得到验证，旨在将能源效率提高高达25%，同时保持严格的服务级别协议。
-
人工智能系统利用数字孪生优化临床治疗决策
研究人员开发了一个人工智能系统，该系统利用数字孪生模拟和强化学习来优化治疗反应的临床决策。该系统在历史数据上进行训练，并持续学习，同时一个基于规则的模块通过监测生命体征和阻止禁忌治疗来确保安全性。该人工智能在合成和真实世界卵巢癌数据上进行了验证，与现有的计算方法相比，在推荐治疗方面表现出更优越的有效性和稳定性，同时保持低延迟，并且仅需少数情况下的专家咨询。
-
新型AI架构从俯视角度检测禽肉缺陷
研究人员开发了一种新的多肉片检测架构，用于识别禽肉中的“木纹胸”（WB）。这种肌病会影响肉鸡，导致肉质下降和经济损失。这种新颖的方法利用俯视摄像头配置和基于物理的仿真引擎来分析3D肉片网格，合成数据集以模拟弯曲动力学。该方法为当前单片侧视成像系统提供了一种可扩展的替代方案，能够同时评估工业加工线上多片肉的情况。