作为通用图结构基础模型，它们可成为用于复杂技术系统的多功能数据驱动型数字孪生体

《Scientific Reports》：Generalized graph foundation models as versatile data-driven digital twins for complex technological systems

　　

摘要

数字孪生是由计算模型构成的，这些模型能够模拟设备、系统以及系统网络的“实际构建状态”，而这类实体在现实世界中的表现需要通过定量和深入的分析来评估。关于构建数字孪生的研究传统上侧重于基于物理原理的、针对特定任务的模型，这类模型试图从基本原理出发，依据已知的物理规律构建出理想的数字孪生体。然而，要构建这样的“基于物理的数字孪生体”相当困难，因为要准确模拟许多设备的复杂物理特性往往需要大量的细节信息，而这些信息要么难以获取，要么成本高昂，尤其是对于那些被广泛应用的系统而言。此外，基于物理的数字孪生体通常假设设备能按设计要求正常工作；但实际上，许多系统都会出现某种性能下降或功能减弱的情况，导致其运行参数偏离标准，此时原有的物理规律也就不再适用。由于数字孪生模型的目标往往是量化这些与理想状态的偏差，因此很难将假设与预期的模型输出区分开来。相比之下，数据驱动的数字孪生体则试图根据实际观测结果以及来自相关设备的实时数据流，来模拟系统的真实状态。由于数据驱动的数字孪生体能够直接从运行时的数据中学习系统动态，因此它具有更强的响应灵活性。这样一来，那些通常难以明确建模的物理系统或过程的复杂物理现象，也能通过传感器和控制信号所反映出的数据流来捕捉到。另外，数据驱动的数字孪生体通常采用灵活的模型架构（通常是人工神经网络），以避免在系统中引入隐性偏见。这种灵活性还带来了另一个优势——模块化，即同一个数据驱动的数字孪生体架构可用于为多种截然不同的系统训练模型，从而回答关于现实世界系统的各种不同问题。借助数据驱动的数字孪生体，可以通过重构目标以自监督的方式训练模型，从而得到一个经过训练的“编码器”模块。这个编码器模块随后可以用作基础模型，帮助系统回答各种特定任务的相关问题，无需再为每个任务单独训练基于物理的数字孪生体，也无需从头开始构建新的数据驱动数字孪生体。本研究为三种典型应用场景构建数据驱动的基础模型提供了一种统一的流程：太阳能光伏发电系统、直写式增材制造技术以及激光粉末床熔融增材制造技术。尽管这三种系统在概念上存在很大差异，但所提出的基础模型利用时空图神经网络的灵活性，能够将相同的方法应用于每种场景，这样科学家们就可以专注于他们的研究目标，而无需耗费大量精力去处理复杂的基于物理原理的建模流程。