[論文レビュー] Mathematical Opportunities in Digital Twins (MATH-DT)

Harbir Antil|arXiv (Cornell University)|Feb 15, 2024

Engineering Education and Technology被引用数 4

ひとこと要約

本論文は、デジタルツイン（DTs）における基礎的数学的課題と機会を特定し、最適化、不確実性の定量化、マルチスケールモデリング、科学的機械学習における革新の必要性を強調している。研究者、産業界、国立研究所の連携を図る共同研究所の設立を提言し、ベンチマークと分野横断的トレーニングを、工学、医療、社会的技術的システム分野におけるDT開発の主要な促進要因とする。

ABSTRACT

The report describes the discussions from the Workshop on Mathematical Opportunities in Digital Twins (MATH-DT) from December 11-13, 2023, George Mason University. It illustrates that foundational Mathematical advances are required for Digital Twins (DTs) that are different from traditional approaches. A traditional model, in biology, physics, engineering or medicine, starts with a generic physical law (e.g., equations) and is often a simplification of reality. A DT starts with a specific ecosystem, object or person (e.g., personalized care) representing reality, requiring multi -scale, -physics modeling and coupling. Thus, these processes begin at opposite ends of the simulation and modeling pipeline, requiring different reliability criteria and uncertainty assessments. Additionally, unlike existing approaches, a DT assists humans to make decisions for the physical system, which (via sensors) in turn feeds data into the DT, and operates for the life of the physical system. While some of the foundational mathematical research can be done without a specific application context, one must also keep specific applications in mind for DTs. E.g., modeling a bridge or a biological system (a patient), or a socio-technical system (a city) is very different. The models range from differential equations (deterministic/uncertain) in engineering, to stochastic in biology, including agent-based. These are multi-scale hybrid models or large scale (multi-objective) optimization problems under uncertainty. There are no universal models or approaches. For e.g., Kalman filters for forecasting might work in engineering, but can fail in biomedical domain. Ad hoc studies, with limited systematic work, have shown that AI/ML methods can fail for simple engineering systems and can work well for biomedical problems. A list of `Mathematical Opportunities and Challenges' concludes the report.

研究の動機と目的

• 従来のモデリング手法とは明確に異なる、デジタルツインに特化した基礎的数学的フレームワークの欠如に取り組む。
• カルマンフィルターや一時的なAI/ML手法といった既存手法の限界を克服するため、数学的に厳密で、応用分野に特化した解決策を開発する。
• 数学者、分野専門家、産業界の間で分野横断的連携を確立し、橋梁、生物学的システム、都市など、実世界のシステムに適したデジタルツインを共同開発する。
• 多様なDT応用分野における再現可能性のある研究とモデル検証を可能にするために、標準化されたベンチマーク問題とデータセットを構築する。
• 米国国立科学財団（NSF）資金を受ける「デジタルツイン共同研究所」を提言し、数学科学研究所の成功事例を模範として、長期的な研究基盤を構築する。

提案手法

• 学術機関、国立研究所、産業界を統合する、デジタルツインにおける数学的研究の中心的プラットフォームとして機能する新たな共同研究所を提唱する。
• 一般的な物理法則ではなく、個別化されたまたはシステム固有の現実から出発するDTのフレームワークを導入し、マルチスケール、マルチフィジックス、ハイブリッドモデリングを要請する。
• 不確実性下でのモデル更新と保守のための数学的原則を開発し、データ同化やオンライン変化検出を含む。
• アドジョイントベース最適化、確率変数における数値積分、CVaRのようなリスク指標を用いた技術を活用し、高次元で滑らかでない、不確実性を伴う問題に対処する。
• 重複する時間区間を用いた確率的低次元基底法を活用し、急激な不連続性を示す広がり拡散問題における精度を向上させる。
• PyTorchおよびTensorFlow用に最適化されたPythonパッケージを活用し、物理を組み込んだニューラルネットワーク（PINNs）の高速化を実現し、科学的機械学習における迅速な実装とシミュレーションを可能にする。

実験結果

リサーチクエスチョン

• RQ1 伝統的なシミュレーションパイプラインとは根本的に異なるデジタルツインを支えるために、どのような数学的進歩が求められるか？
• RQ2 条件付きリスク価値（CVaR）に基づく最適化は、不確実性下での構造的整合性問題にどのように効果的に適用できるか？
• RQ3 不連続な源項を伴う広がり拡散問題において、確率的低次元基底法が精度と効率をどのように向上させるか？
• RQ4 PyTorchおよびTensorFlow用の最適化されたソフトウェアツールキットを用いて、物理を組み込んだニューラルネットワーク（PINNs）をどのように高速化できるか？
• RQ5 土木工学、医療、気候システムなど多様な分野におけるデジタルツインモデルの標準化と検証に不可欠なベンチマーク問題とデータセットは何か？

主な発見

• デジタルツインは、不確実性の取り扱い、マルチスケールダイナミクス、リアルタイム意思決定支援といった点で、従来のモデリングとは根本的に異なる数学的基盤を必要としている。
• CVaRに基づく最適化は、高次元で非凸な設定下でも、まれだが高影響を及ぼす故障事象を効果的に最小化でき、期待値ベースの手法を上回る性能を示した。
• 重複する時間区間を用いた確率的低次元基底法は、単一基底アプローチに比べ、急激な不連続性を示す広がり拡散問題において、顕著に高い解の精度を実現した。
• カスタムPythonパッケージによる最適化を活用したPINNの高速実装は、開発時間と計算オーバーヘッドを削減し、科学的機械学習における迅速なプロトタイピングを可能にした。
• 敗血症モデリング、橋梁の疲労、粒子解像度の雲室シミュレーションといったベンチマーク問題は、DT研究の検証と発展に不可欠である。
• 提言された「デジタルツイン共同研究所」は、分野横断的研究、教育、リソース共有の中心的ハブとして機能し、成功事例である数学研究所を模範として位置づけられる。