Building real-time digital twin instances with Function+Data Flow: user evaluation and extension for iterative pipelines
本文通过一项实证用户研究表明，函数+数据流（FDF）可视化语言及其在 DesCartes Builder 中的实现，有效地增强了领域专家在开发基于 AI 的数字孪生时的可访问性与可靠性，同时也为提出旨在支持更复杂、迭代式流水线的层级扩展（H-FDF）提供了动力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代世界中，工程师和科学家经常依赖“数字孪生”（digital twins）。这些并非物理复制品，而是能够镜像现实世界物体（如桥梁、喷气发动机或电网）的高级软件模型。其目标是创建一个能够随实物同步学习和变化的虚拟版本，从而让专家能够在问题发生之前预测故障或优化性能。为了构建这些模型，研究人员通常从极其精确但运行速度极慢的高细节计算机模拟开始。为了使这些模型在实时应用中发挥作用，必须利用机器学习（人工智能的一个分支，通过发现数据中的模式）对其进行简化。然而，连接这些复杂步骤——即将缓慢的模拟转化为快速的学习模型——在传统上是一个混乱且繁琐的手动过程。这需要深厚的编程技能，并且往往会导致系统脆弱，难以修复或改进。
来自新加坡南洋理工大学和法国国家科学研究中心（CNS）的研究团队致力于解决这一工程难题。他们开发了一种名为“函数+数据流”（Function+Data Flow，简称 FDF）的新型视觉语言，旨在让专家通过在屏幕上拖放模块来构建这些复杂的机器学习流水线，而非编写代码行。他们开发了一个名为 DesCartes Builder 的工具来实践这一构想。为了验证这种方法是否奏效，他们邀请了二十五名研究人员和学生参加了一场研讨会。参与者被要求构建一个实时数字孪生原型，该原型能够预测材料在压力下会产生多少拉伸和变形，这项任务对于结构安全至关重要。参与者使用这个新工具来组装必要的步骤：获取原始数据、进行简化、训练机器学习模型并测试结果。
实验结果令人鼓舞。尽管该工具仍处于早期开发阶段，但参与者发现它非常易于使用。在衡量软件易用性的标准量表中，该工具的表现远高于“不可接受”的阈值，中位得分为 100 分中的 72.5 分。这表明视觉化方法成功降低了准入门槛，让领域专家能够专注于工程问题而非编码细节。研究还显示，该工具对具有技术背景的人员特别有效，而对特定概念不太熟悉的人则面临更陡峭的学习曲线。研究人员指出，该工具的视觉特性清晰地展示了数据如何在系统中流动，参与者也对能够通过点击一下即可更换不同机器学习算法的功能表示赞赏，而这项任务在通常情况下需要重写大量代码。
然而，研究也指出了系统需要成长的地方。一些用户认为该工具缺乏足够的内置引导，例如帮助理解每个模块用途的弹出提示或教程。另一些人则发现当出现问题时，错误信息令人困惑，希望有更清晰的解释来说明导致失败的原因。为了解决这些局限性以及对更复杂工作流的需求，研究人员提出了他们系统的扩展版本，称为 H-FDF。这个新版本引入了一种在设计中创建循环的方法，允许系统重复某一过程直到达到特定目标，例如模型变得足够精确。这是一个显著的进步，因为它允许实现更高级的技术，例如通过两个模型相互训练来提升彼此，而不会使整体设计变得混乱。
研究人员将他们的新方法与工业界使用的现有工具（如流行的数据分析平台 KNIME）进行了比较。他们发现，虽然这些工具可以处理循环，但处理方式往往会将数据流与控制流混淆在一起，导致图表杂乱且难以修改。相比之下，新的 H-FDF 方法将数据流和循环逻辑分开并清晰定义，使得修改系统行为变得更加容易。通过测试一个复杂的场景——即同时训练两个模型以学习一个动态系统——团队展示了他们的新方法可以更整洁地处理这些复杂的任务。研究结论认为，虽然目前的工具是一个充满前景的开端，但要将数字孪生工程转变为一种规范且易于获取的实践，仍需要持续的完善、更好的文档说明以及这些新循环功能的全面实现。这项工作表明，借助合适的视觉工具，构建数字孪生的复杂艺术可以成为一项更可靠、更易于被相关专家掌握的学科。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。