digital twin
PulseAugur coverage of digital twin — every cluster mentioning digital twin across labs, papers, and developer communities, ranked by signal.
- instance of CatalyzeX Code Finder for Papers 90%
- used by 6G 80%
- uses deep reinforcement learning 80%
- used by deep reinforcement learning 80%
- instance of alphaXiv 70%
- instance of Gotit.pub 70%
- instance of ScienceCast 70%
- used by alphaXiv 70%
- used by CatalyzeX 70%
- instance of CatalyzeX 70%
- used by Gotit.pub 70%
- used by Open Radio Access Network 70%
7 天有情绪数据
-
AI研究提出航海系统可解释故障预测方法
本文探讨了人工智能、机器学习、数字孪生和预测性维护在预测和预防航海设备故障中的应用。它解决了在这些安全关键环境中确保可信赖和可解释的决策制定的关键挑战。作者提出了一个集成了各种人工智能技术的闭环框架概念架构，同时讨论了当前人工智能辅助航海运营的局限性和未来研究方向。
-
为非洲卫生系统探索联邦式人工智能和数字孪生
一篇发布于2026年9月30日的研究论文，探讨了联邦式人工智能（Federated AI）和数字孪生（digital twins）在非洲卫生系统中的应用。该综述强调了隐私保护的协作方法在开发精准健康工具方面的潜力。此方法旨在避免机构之间敏感患者数据的传输，从而增强数据安全性和互操作性。
-
新方法将时间序列模型在数字孪生中进行接地，用于预测性维护
研究人员开发了一种新方法，以提高时间序列基础模型（TSFM）在数字孪生环境中的预测性维护任务的性能。通过将TSFM在数字孪生的拓扑中进行接地，该方法增强了跨通道依赖性建模。这种受拓扑信息启发的融合方法在C-MAPSS数据集上进行了测试，结果表明，与现有的用于剩余使用寿命预测的最先进模型相比，多变量架构和跨注意力中的显式拓扑约束能够带来具有竞争力或更优越的性能。
-
新框架 GenOR-Twin 集成 LLM 与数学优化
研究人员推出 GenOR-Twin，一个新颖的神经符号框架，旨在弥合非结构化运营数据与数学优化之间的差距。该系统利用大型语言模型作为语义翻译器，确保优化问题保留其数学严谨性。一个关键特性是其动态约束注入机制，它允许基于定性人类输入和运营观察实时修改优化问题的可行性，有效地创建数字孪生。该框架还包括一个自适应决策策略，该策略根据系统松弛度智能地在计划修复和完全重新优化之间进行选择，展示了其在各个领域的适应性。
-
新框架“Speak to the City”利用注视点和语言识别车外地标
研究人员开发了一个名为“Speak to the City”的新框架，以改进车内乘客查询物理地标的方式。该系统融合了用户的注视点和自然语言来识别兴趣点，解决了自我运动和指代歧义等挑战。一项涉及46名参与者的用户研究将头部方向映射到3D数字孪生中，捕捉了注视点-语音行为。使用LLM训练了一个轻量级Transformer网络，将空间注视点与口头语境对齐，在平均推理时间为24.3毫秒的情况下实现了83.33%的Top-1准确率。
-
大型语言模型数字孪生：人工智能能否减少研究中的人类测量？
一篇新的研究论文探讨了基于大型语言模型的数字孪生在减少科学推理中对人类数据收集的需求方面的潜力。该研究引入了“统计可替代性”作为评估这些孪生模型是否能在没有广泛人类测量的情况下支持有效结论的标准。研究结果表明，虽然大型语言模型孪生可以复制人类的平均效应，但它们对个体差异的洞察有限，并且模型或数据的改进并不总是能节省人类数据。研究强调，人工智能生成证据的价值应通过其减少人类数量不确定性的能力来判断，而不是仅仅通过其模仿人类结果的能力。
-
提出认知数字孪生新架构，具备自演化能力
研究人员提出了一种新颖的四层认知数字孪生（CDT）架构，该架构超越了简单的状态同步，实现了知识驱动的操作。该架构将认知能力（包括知识图谱和大型语言模型）整合到物理层、数字孪生层、认知层和任务层。该系统建立了一个自演化的闭环，其中物理状态为数字表示提供信息，认知构建特定任务的模型，并在约束条件下做出决策，反馈则用于改进认知体验并更新数字表示。
-
AI 自动化制造认知数字孪生调试
一篇新研究论文介绍了一种由 AI 驱动的工作流程，用于自动化可重构制造的认知数字孪生 (CDT) 的创建和调试。该系统采用 LangGraph 作为多代理编排引擎，利用检索增强生成 (RAG) 进行语义规范提取，并使用模型上下文协议 (MCP) 进行实时数据绑定。在机器人加工单元进行的实验显示，感知准确率达到 97.2%，并将部署时间从几周缩短到仅 2 小时。
-
新的主动学习框架通过贝叶斯算子推断增强降阶模型
研究人员开发了一个新的主动学习框架，旨在改进参数化动力系统的面向数据的降阶模型（ROM）。该框架使用贝叶斯算子推断（将其构建为贝叶斯线性回归）来创建概率性ROM。通过分析预测不确定性，系统自适应地选择新的训练参数来增强ROM的稳定性和准确性，在偏微分方程的数值实验中优于随机采样。
-
研究发现AI代理尚未准备好从事行为研究
一项最新研究表明，AI代理目前尚不能完全取代人类参与者从事行为研究。研究发现，数字孪生（即个人的虚拟表示）目前未能准确复制其模型所代表人物的观点和看法。这一局限性表明，在细致的行为研究中，人类的监督和参与仍然至关重要。
-
航空航天、国防和制造业面临阻碍数字化转型的数据挑战
在航空航天、国防和工业制造领域，实现真正的数字连续性受到非面向业务的数据的阻碍。公司正在投资人工智能和数字孪生等先进技术，但碎片化的系统和不一致的数据治理阻碍了这些投资充分发挥潜力。从一开始就优先考虑数据质量和与业务流程的一致性的数据优先方法，对于实现明智的决策和推动成功的数字化转型至关重要。
-
AI在数字孪生诊所中用于医疗保健评估
研究人员开发了一种将常规诊所图像转化为运营中的数字孪生以评估具身AI的方法。通过将39个眼科诊所场景从单张照片转换为模拟器就绪环境，他们评估了重建质量、几何形状和策略性能。这种方法允许在现实环境中对AI进行基于任务的评估，从而在实际部署到医疗保健领域之前进行本地策略学习和闭环测试。
-
LLM数字孪生通过结构化角色数据而非仅数量得到改进
研究人员开发了一种新方法，通过关注角色信息的结构而非仅仅数据量来创建更准确的基于LLM的数字孪生。他们引入了一个手工设计的模式（BDE：背景、决策程序、评估），该模式提高了同质基准上的预测准确性。然而，这种固定的结构未能很好地泛化到多样化任务。为了克服这一点，他们提出了一个自动结构发现管道，其中LLM迭代地改进特定任务的角色结构和提取提示，从而恢复了在异构基准上的性能。
-
供水管网中的人工智能泄漏诊断通过可验证的弃权获得问责制
一篇新研究论文介绍了一种提高用于诊断供水管网泄漏的人工智能系统问责制的方法。该方法将泄漏定位视为一个决策过程，其中包括可验证的弃权，允许人工智能在证据不足时自信地弃权。该系统使用一个基于物理的执行器代理和一个带有 LLM 审计员的监督代理，以根据可验证的合同检查证据，从而提高派遣维修人员的精度并提高供水基础设施的运行效率。
-
数字孪生IDS检测车辆中的隐蔽CAN总线攻击
研究人员开发了一种新颖的基于数字孪生的车辆动力总成CAN总线系统入侵检测系统（IDS）。该系统模拟动力总成信号之间的物理关系，以预测行为并识别操纵数据负载但保持正常通信模式的攻击。该数字孪生使用共享编码器LSTM在Hyundai/Kia CAN日志上进行训练，其性能优于传统的范围和合理性基线，尤其在检测隐蔽的负载攻击方面。
-
扩散模型通过强化学习和数字孪生增强无人机决策能力
一篇新研究论文探讨了将扩散模型（DMs）与强化学习（RL）和数字孪生（DT）技术相结合，以增强无人机（UAVs）的能力。该论文利用扩散模型学习概率分布和生成真实数据的能力，解决了无人机决策和建模中的挑战，从而提高了强化学习训练和数字孪生仿真的准确性和效率。仿真结果表明，扩散模型在通过深度强化学习进行的无人机集群协调任务中，在生成邻近速度估计方面非常有效。
-
研究人员发现数字孪生退化信号表明存在网络物理攻击
研究人员开发了一个新的框架，通过监控数字孪生的时间不一致性来检测网络物理攻击。该方法在正常系统行为上训练数字孪生预测器，然后分析预测状态与观测状态之间的差异。这些不一致性被转化为捕捉预测残差演变的时间特征，然后由无监督密度模型和序列变化检测机制使用，以识别表明攻击的偏差。该框架已在工业控制系统数据集上进行了评估，即使在数字孪生视图退化的情况下，也显示出高检测可靠性和低误报率。
-
AI框架利用数字孪生优化城市无线基站部署
研究人员开发了一种优化城市无线网络中基站部署的新颖框架。该方法结合了地理数据驱动的数字孪生和深度强化学习。该系统无需现场测量或真实用户数据即可预测无线电地图和用户分布，实现了接近理想化基准的性能，同时显著降低了优化成本。
-
数字孪生IDS检测车辆中的隐蔽CAN总线攻击
研究人员开发了一种新颖的车辆控制器局域网（CAN）总线系统入侵检测系统（IDS），该系统利用数字孪生（DTs）来模拟动力总线信号之间的物理关系。这种基于DT的方法可以预测车辆行为，并在观测到的信号偏离预测模式时标记异常，其性能优于关注消息时序和顺序的传统方法。该系统在检测隐蔽的有效载荷操纵攻击方面取得了显著成功，对连续漂移的检测率为94.6%，对伪装攻击的检测率为89.2%，尽管在持续攻击下仍面临误报的挑战。
-
人工智能模拟领域提议命名为“心理史学”
有人提议将人工智能驱动的数字孪生、合成用户和群体行为预测模拟领域命名为“心理史学”。此建议旨在为这一新兴研究领域建立一个统一的术语。