引言

 近年来，数字孪生成为学术界和工业界频繁提及的热点名词之一。在学界，数字孪生结合现有的深度学习算法进行一些科学问题的创新和解决。在工业界，主要是通过数字孪生技术对产品进行物理模型的精细化构建和设计。数字孪生是开拓下一代工业革命的跨学科通用型技术，其对真实物理世界构建了数字镜像，并实现物理世界和数字世界的双向实时驱动。得益于这种实时的动态高精度仿真技术，能够进行复杂体系下多智能体的实时动态人工智能训练与行为优化 ，并承载未来数字孪生智慧城市、工业制造和军事预演决策的关键性应用。本文主要是介绍数字孪生的基本概念及其在一些实际场景下的应用。

背景

数字孪生的概念提出要追溯到1997年[1]应用于城市规划和高速公路的建设，但美国国家航空航天局(NASA)为了改进航天器的物理模型模拟而提出了数字孪生的第一个实际定义[2]：数字孪生是对物理对象或系统的数字化虚拟表示。“数字孪生”背后的技术已经扩展到包括建筑物，工厂甚至城市之类的大型项目，并进一步扩展了这一概念[3]。从本质上讲，数字孪生是一种计算机程序，它将有关物理对象或系统的真实数据作为输入[4]，并生成有关该物理对象或系统将如何受这些输入影响的预测或模拟作为输出。完整的数字孪生系统，包括了三个重要的组成部分：物理空间的真实系统、虚拟空间的仿真系统以及物理空间和虚拟空间之间的数据和信息交互接口。数字孪生的体系结构主要以数字同化的技术存在[5]，通过传感器等基础硬件的建设，接入真实世界传导的不同维度的大数据。物理世界的数据通过交互接口传入虚拟世界进行模拟，虚拟世界反馈结果到物理世界实现仿真分析和优化。图1中展现了虚拟的数字空间和真实空间的交互模型及流程[6]。

图1 虚拟空间与真实空间的交互模拟流程

        对于物理世界的真实产品，数字孪生已经能在工业及环境领域展开应用，并在降低制造和维护成本上取得成功。例如，欧盟近年基于地球的环境气候数据并采用数字孪生技术来解决多年后的气候及环境问题[7, 8]；随着5G技术的发展，信息传输成本的降低，基于纳米发电机的机器人在数字孪生的技术上得以研发[9]。现实世界的事物进行抽象成复杂的多智能体系统，在数字孪生的帮助下可以缓解复杂系统中不可预测的突发行为[10]。在工业生产及航空航天器中，将实物进行“数字还原”并进行产品的生产指导和改进[11-13]大大降低了成本。

        此外，通过数字孪生的方法进行智慧城市建设，辅助智能化城市管理是一个更深入，更有意义的话题。在城市治理的复杂体系下，物理世界的真实系统包括了数以百万计的个体在每一时刻的自由行为，通过数学建模进行简化，抓取最关键的信息维度，实现对物理世界的高度还原。实际应用中，针对新冠疫情的爆发，数字孪生可对传染病的传播机制进行更细致化的模拟[14-16]，推动物联网(IoT)浪潮中智慧城市技术的进一步创新[17]。现阶段，城市体系下数字孪生中，虚拟世界对物理世界的还原程度仍受制于建模的精确度和计算资源的不足。在城市中采取网格化分割，虚拟世界的网格间运用新型区块链算法先行内部通信，结合强化学习等最新的人工智能算法，将能解决对大规模多智能体复杂体系的高精度数字孪生。

大规模复杂体系的数字孪生应用

        在大规模复杂体系的数字孪生研究中，为了进行气象预测，已经有研究团队试图通过爆炸式数据和密集计算，开展数字孪生模拟。2021年在Nature Computation Science 上发表的最新成果《The digital revolution of Earth-system science》，其主要展望了数字孪生技术应用在地球系统科学中的计算框架，包括了对天气的预测，气候变化的推演等[18]。

      近几十年来，人类的活动对大气中温室气体浓度的影响以及对气候系统的影响愈加明显，据报道有超过97%的人接受了这一结论，且科学家们认为必须在未来几十年内大幅减少人为温室气体排放，以避免一场气候灾难。为了刻画气候的变化，目前主要应用的是地球系统模型。地球系统模型需要的不仅仅是稳定的进展，还需要有一个非常高的分辨率，更真实地表现所有尺度的过程以及它们在大气、海洋、冰冻圈、陆地表面和生物圈之间的相互作用，即地球上影响到气候变化的复杂体系形成，然而要精确刻画这一高维度复杂体系环境，将不可避免地转化为我们计算和数据处理能力需求的飞跃。其次，高维数据的爆炸式增长要求科学家们重新思考在极端尺度下处理地球系统建模和高性能计算的方式。在这篇文章中，作者提出了潜在的解决方案，以适应当前的算法框架，以最好地利用数字孪生技术所提供的，从而为解决上述挑战铺平道路。

         图2展示了一个操作天气预测工作流程的要素，其中步骤2-4是非常密集的计算(千兆次)和数据(每天100兆兆字节)。天气模拟不同于气候模拟，因为它们在每天的特定时间以突发模式运行，而气候预测则以稳定生产模式运行，以完成数十年、100年和千年的气候预测。

图2 天气预测工作流程

         气候模型中，碳循环、水循环是不可忽略的关键因素。科学家们认识到，小尺度和地球系统的复杂性对天气预测很重要，因此，我们既需要精确刻画细微的碳、水循环等，又需要地球系统过程的复杂性。

           图3中所示的地球系统的数字孪生系统，将模拟和近实时观测最佳地结合起来，以监测地球系统的演变。这种仿真模拟具有巨大的计算空间，地球系统状态由数十亿个自由度组成，处理的是几乎全是非线性及混沌系统。把已构建好的模型扩展到数字孪生系统中，以颗粒度更小，复杂性更高，由于观测结果更加多样化，包括与天气和气候有关的影响模型和观测结果，数字孪生的应用成为最具挑战性的应用之一。

图3 数字孪生系统对未来气候的推测

         另一方面，数据结构和离散化是数字孪生框架的重要组成部分。当考虑高性能计算时，需要注意一些基本的架构构建块，如空间离散化、向前差分和地球系统中的不同结构之间的耦合。通过将大时间步长方法与高阶离散化相结合，可以同时提高效率和精度。解决方案通过对不同的地球系统组件使用不同的时间步长来提高效率，包括了分离垂直和水平的对流输送，离散动力学方程的充分耦合，以及重复应用相同的计算模式，为平流或垂直物理过程模拟大气和海洋。

         这些发展的协同作用在图4中被概括。支持各种网格布局、数值方法以及并行化计算。机器学习既可以提高计算效率，也可以从数据分析中获得更好的物理过程描述。气候变化带来的社会挑战需要预测技能的逐步改变，而这是无法通过逐步提高来实现的，在地球系统和计算科学之间的界面上进行投入，以促进文中所描述的数字孪生-地球系统模型的时机已经成熟。

图4 数字孪生-地球系统的概念视图

讨论和展望

        数字孪生具备很高应用前景，它的应用将带来极高的社会效益，能节省大量的社会资源。但现阶段，大规模复杂体系的数字孪生是有瓶颈的，面临着诸多困境亟待解决[3]。

图5 真实世界的数字孪生

         第一个难点是数据。现实复杂体系下，很多数据是难以获取的，例如在真实城市环境下，许多数据受到个人隐私的保护，无法用于研究。甚至于许多关键性信息是无法测量的，例如在研究城市大规模传染病传播的数字孪生模型中，每个染病的个体是在何时染病的，就无法立即获取，只能依靠事后的倒推，并且数据精确性不高。因此，获取什么样的数据是一个首先需要面对的难题。即便获取到数据，其数据精确性到底有多高是存疑的，不精确的数据对于有些精密运转的体系是致命的。获取数据后，数据传输也是一个障碍，据估计，谷歌的自动驾驶汽车每秒可产生 1 GB 的数据，但是今天的蓝牙连接只能处理该速率的 0.03%。此外，同一维度数据的不同数据类型合并也有困难，例如温度可能是摄氏和华氏，视频或图像的像素比例等不同，时间可能会不同步等。对于大规模复杂体系，数据的所有权非常分散，很难集齐能够支撑起数字孪生模拟的所有关键性数据。

         第二个难点是模型。由于数字孪生的体系仍没有完善地建立起来，甚至数字孪生本身的定义都未能被学界完全确定，因此数字孪生的公认的标准化模型仍没有建立起来。在此情况下，针对复杂体系建模的数字孪生模拟，如何检验模型的可靠性、稳定性、精确性，是缺乏直接的判定手段和标准的。当集成大规模体系的各部分时，为不同目的编写的软件手工修补在一起时，可能还会出现其他错误。

         第三个难点是研究者。大规模复杂体系往往是跨领域的，数字孪生系统的搭建需要各个领域的细节知识，因此，由跨学科的专家组成的紧密团队对于构建精确的数字孪生至关重要。随着应用的多样化，所需许可的范围将扩大。现有的大多数数字孪生工业应用，出现在通用电气或西门子等大公司中，因为组建所需的团队既困难又昂贵。在学术知识共享方面，缺乏公共空间——从物理的到虚拟的——专家可以在其中交流和共享知识和软件。此外，从研究到实际应用，工业界和学术界之间几乎没有联系，很重要的原因是由于商业机密。大多数学术研究侧重于改进建模技术，而不是优化数据和实施数字孪生。

        基于以上困境，专家提出了四条建议，将使数字孪生的研究和开发更具备应用前景。第一是建立数据和模型的标准，这有助于不同领域的数据进行整合，能使各领域的模型得以在数字孪生环境下堆叠。第二是数据和模型的共享。第三是应该开发产品和服务来帮助数字孪生更容易构建和使用。第四是建立论坛，帮助各领域专家在交流经验和知识。

总结

         数字孪生是开拓下一代工业革命的跨学科通用型技术，其对真实物理世界构建了数字镜像，并实现物理世界和数字世界的双向实时驱动。得益于这种实时的动态高精度仿真技术，能够进行复杂体系下多智能体的实时动态人工智能训练与行为优化，并承载未来如数字孪生智慧城市、工业制造等关键性应用。

  

作者：邹宇坤 来俊杰

  

参考文献

[1] HERNáNDEZ L, HERNáNDEZ S J W T O T B E.Application of digital 3D models on urban planning and highway design [J].1997, 33.

[2] NEGRI E, FUMAGALLI L, MACCHI M J P M. Areview of the roles of digital twin in CPS-based production systems [J]. 2017,11: 939-48.

[3] TAO F, QI Q. Make more digital twins[Z]. Nature Publishing Group. 2019

[4] BOSCHERT S, ROSEN R. Digital twin—thesimulation aspect [M]. Mechatronic futures. Springer. 2016: 59-74.

[5] BLAYO É, BOCQUET M, COSME E, et al.Advanced Data Assimilation for Geosciences: Lecture Notes of the Les HouchesSchool of Physics: Special Issue, June 2012 [M]. OUP Oxford, 2014.

[6]EL SADDIK A J I M. Digital twins: Theconvergence of multimedia technologies [J]. 2018, 25(2): 87-92.

[7] BAUER P, STEVENS B, HAZELEGER W J N CC. A digital twin of Earth for the green transition [J]. 2021, 11(2): 80-3.

[8]VOOSEN P. Europe builds' digital twin’ofEarth to hone climate forecasts [Z]. American Association for the Advancementof Science. 2020

[9]JIN T, SUN Z, LI L, et al. Triboelectricnanogenerator sensors for soft robotics aiming at digital twin applications[J]. 2020, 11(1): 1-12.

[10]GRIEVES M, VICKERS J. Digital Twin:Mitigating unpredictable, undesirable emergent behavior in complex systems [M].Transdisciplinary perspectives on complex systems. Springer. 2017: 85-113.

[11]SCHLEICH B, ANWER N, MATHIEU L, et al.Shaping the digital twin for design and production engineering [J]. 2017,66(1): 141-4.

[12]TAO F, SUI F, LIU A, et al. Digitaltwin-driven product design framework [J]. 2019, 57(12): 3935-53.

[13]TAO F, ZHANG H, LIU A, et al. Digitaltwin in industry: State-of-the-art [J]. 2018, 15(4): 2405-15.

[14]ALDERTON G. Building digital twins forinfections [Z]. American Association for the Advancement of Science. 2021

[15]LAUBENBACHER R, SLUKA J P, GLAZIER J AJ S. Using digital twins in viral infection [J]. 2021, 371(6534): 1105-6.

[16] QUILODRáN-CASAS C, SILVA V S, ARCUCCIR, et al. Digital twins based on bidirectional LSTM and GAN for modellingCOVID-19 [J]. 2021.

[17] ALLAM Z, JONES D S J L U P. Future(post-COVID) digital, smart and sustainable cities in the wake of 6G: Digitaltwins, immersive realities and new urban economies [J]. 2021, 101: 105201.

[18] BAUER P, DUEBEN P D, HOEFLER T, et al.The digital revolution of Earth-system science [J]. 2021, 1(2): 104-13.