Building real-time digital twin instances with Function+Data Flow: user evaluation and extension for iterative pipelines
Dit artikel presenteert een empirische gebruikersstudie die aantoont dat de Function+Data Flow (FDF) visuele taal en de implementatie ervan in DesCartes Builder de toegankelijkheid en betrouwbaarheid van AI-gebaseerde digitale tweelingontwikkeling voor domeinexperts effectief verbeteren, terwijl het tegelijkertijd de voorstel van een hiërarchische uitbreiding (H-FDF) motiveert om meer complexe, iteratieve pipelines te ondersteunen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de moderne wereld vertrouwen ingenieurs en wetenschappers vaak op "digitale tweelingen". Dit zijn geen fysieke kopieën, maar geavanceerde softwaremodellen die een echt object spiegelen, zoals een brug, een straalmotor of een elektriciteitsnet. Het doel is om een virtuele versie te creëren die leert en verandert samen met het fysieke object, waardoor experts defecten kunnen voorspellen of de prestaties kunnen optimaliseren voordat er een probleem optreedt. Om deze modellen te bouwen, beginnen onderzoekers vaak met zeer gedetailleerde computersimulaties die ongelooflijk nauwkeurig zijn, maar pijnlijk traag om uit te voeren. Om deze modellen in realtime bruikbaar te maken, moeten ze worden vereenvoudigd met behulp van machine learning, een tak van kunstmatige intelligentie die patronen in gegevens vindt. Het verbinden van deze complexe stappen — het omzetten van trage simulaties naar snelle, lerende modellen — is echter traditioneel een rommelig, handmatig proces. Het vereist diepgaande programmeervaardigheden en resulteert vaak in kwetsbare systemen die moeilijk te repareren of te verbeteren zijn.
Een team van onderzoekers aan de Nanyang Technological University in Singapore en het CNRS in Frankrijk zette zich in om dit technische hoofdpijndossier op te lossen. Ze ontwikkelden een nieuwe visuele taal genaamd Function+Data Flow, of FDF, ontworpen om experts in staat te stellen deze complexe machine learning-pipelines te bouren door blokken op een scherm te slepen en neer te zetten, in plaats van regels code te schrijven. Ze bouwden een tool genaamd DesCartes Builder om dit idee in de praktijk te brengen. Om te zien of deze aanpak daadwerkelijk werkte, nodigden ze vijftien onderzoekers en studenten uit voor een workshop. Deze deelnemers kregen de opdracht om een real-time digitale tweeling-prototype te bouwen dat kon voorspellen hoeveel een materiaal zou rekken en vervormen onder spanning, een taak die cruciaal is voor de structurele veiligheid. De deelnemers gebruikten de nieuwe tool om de noodzakelijke stappen samen te stellen: het verwerken van ruwe gegevens, het vereenvoudigen ervan, het trainen van een machine learning-model en het testen van de resultaten.
De resultaten van dit experiment waren bemoedigend. De deelnemers vonden de tool verrassend gemakkelijk in gebruik, ook al bevond deze zich nog in een vroege ontwikkelingsfase. Op een standaardschaal die wordt gebruikt om de gebruiksvriendelijkheid van software te meten, scoorde de tool ruim boven de drempel voor "onacceptabel", met een mediaan van 72,5 op de 100. Dit suggereert dat de visuele aanpak de drempel voor instap succesvol heeft verlaagd, waardoor domeinexperts zich kunnen concentreren op het technische probleem in plaats van op de programmeerdetails. De studie toonde ook aan dat de tool bijzonder effectief was voor mensen met een technische achtergrond, terwijl zij die minder bekend waren met de specifieke concepten een steilere leercurve ervoeren. De onderzoekers merkten op dat het visuele karakter van de tool duidelijk maakte hoe gegevens door het systeem bewogen, en deelnemers waardeerden de mogelijkheid om met één klik verschillende machine learning-algoritmen te wisselen, een taak die normaal gesproken het herschrijven van grote delen van de code zou vereisen.
De studie benadruakte echter ook waar het systeem nog kan groeien. Sommige gebruikers vonden dat de tool te weinig ingebouwde begeleiding bood, zoals pop-up hints of tutorials, om hen te helpen het doel van elk blok te begrijpen. Anderen vonden de foutmeldingen verwarrend wanneer er iets misging, en wensten duidelijkere verklaringen over wat een fout had veroorzaakt. Om deze beperkingen aan te pakken en de behoefte aan complexere workflows te vervullen, stelden de onderzoekers een uitbreiding van hun systeem voor genaamd H-FDF. Deze nieuwe versie introduceert een manier om lussen (loops) binnen het ontwerp te creëren, waardoor het systeem een proces kan herhalen totdat een specifiek doel is bereikt, zoals een model dat nauwkeurig genoeg is. Dit is een belangrijke stap voorwaarts omdat het geavanceerdere technieken mogelijk maakt, zoals het samen trainen van twee modellen om elkaar te verbeteren, zonder dat het algemene ontwerp chaotisch wordt.
De onderzoekers vergeleken hun nieuwe aanpak met bestaande tools die in de industrie worden gebruikt, zoals KNIME, een populair platform voor data-analyse. Ze ontdekten dat hoewel die tools lussen kunnen afhandelen, de manier waarop ze dat doen vaak de datastroom verwart met de besturingsstroom, waardoor de diagrammen rommelig en moeilijk aan te passen zijn. In contrast hiermee houdt de nieuwe H-FDF-aanpak de datastroom en de lussenlogica gescheiden en duidelijk gedefinieerd, wat het makkelijker maakt om te veranderen hoe het systeem zich gedraagt. Door een complex scenario te testen waarbij twee modellen gelijktijdig werden getraind om een dynamisch systeem te leren, toonde het team aan dat hun nieuwe methode deze ingewikkelde taken schoner kan afhandelen. De studie concludeert dat, hoewel de huidige tool een veelbelovend begin is, het transformeren van digital twin engineering naar een gedisciplineerde, toegankelijke praktijk voortdurende verfijning, betere documentatie en de volledige implementatie van deze nieuwe lussen-mogelijkheden vereist. Het werk suggereert dat met de juiste visuele tools, de complexe kunst van het bouwen van digitale tweelingen een meer betrouwbare en toegankelijke discipline kan worden voor de experts die ze het meest nodig hebben.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.