[논문 리뷰] Mathematical Opportunities in Digital Twins (MATH-DT)

Harbir Antil|arXiv (Cornell University)|2024. 02. 15.

Engineering Education and Technology인용 수 4

한 줄 요약

이 논문은 디지털 트윈(DTs)의 기초 수학적 과제와 기회를 규명하며, 최적화, 불확실성 정량화, 다중 척도 모델링, 과학적 머신러닝 분야에서의 새로운 발전이 필요하다고 강조한다. 연구자, 산업계, 국립연구소 간의 협업을 위한 기관 설립을 제안하며, 벤치마킹과 다학제적 교육이 공 ingeneering, 의료, 사회기술 시스템 분야의 DT 개발을 위한 핵심 추진력이 될 것으로 기대한다.

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.

연구 동기 및 목표

• 기존의 전통적 모델링 접근 방식과는 다를 바 있는, 디지털 트윈 전용으로 특화된 기초 수학적 프레임워크의 부재를 해결한다.
• 칼만 필터나 수시로 적용되는 AI/ML 기법과 같은 기존 방법의 한계를 극복하기 위해, 수학적으로 엄밀하고 응용 분야에 특화된 해결책을 개발한다.
• 수학자, 전문 분야의 전문가, 산업계 간의 다학제적 협력을 통해 다리, 생물학적 시스템, 도시와 같은 실제 시스템을 위한 디지털 트윈을 공동 개발한다.
• 다양한 DT 응용 분야에서 재현 가능한 연구와 모델 검증을 가능하게 하기 위해 표준화된 벤치마킹 문제와 데이터 세트를 구축한다.
• 미국국립과학재단(NSF) 자금 지원을 받는 디지털 트윈 협력연구소를 제안하여 장기적인 연구 인프라를 조성한다. 이 기관은 수학 과학 연구소의 성공 모델을 모방한다.

제안 방법

• 디지털 트윈에 대한 수학적 연구를 위한 중심 플랫폼이 되는 새로운 협력 기관을 제안하며, 학계, 국립연구소, 산업계를 통합한다.
• 일반적인 물리 법칙이 아닌 개인화되거나 시스템 특화된 현실에서 출발하는 DT 프레임워크를 도입하며, 이는 다중 척도, 다중 물리, 하이브리드 모델링이 필요하다.
• 불확실성 하에서 모델 갱신 및 유지보수를 위한 수학적 원리를 개발하며, 데이터 융합 및 온라인 변화 탐지 기법 포함.
• 고차원, 비연속, 불확실한 문제를 다루기 위해 애드조인트 기반 최적화, 랜덤 변수에서의 적분 기법, CVaR와 같은 리스크 측도를 적용한다.
• 갈라지는 불연속성과 함께 발생하는 확산-대류 문제의 정확도를 향상시키기 위해 시간 하위구간이 겹치는 랜덤화된 감소 기저 방법을 활용한다.
• PyTorch 및 TensorFlow를 위한 최적화된 파이썬 패키지를 활용해 물리 기반 신경망(PINNs)의 성능을 가속화하여 더 빠른 구현과 시뮬레이션을 가능하게 한다.

실험 결과

연구 질문

• RQ1 디지털 트윈이 기존 시뮬레이션 파이프라인과 근본적으로 다를 경우, 이를 뒷받침할 수 있는 수학적 발전은 무엇이 필요한가?
• RQ2 불확실성 하에서 구조적 무결성 문제에 대해 리스크 인식 최적화, 예를 들어 조건부가치위험(CVaR) 최소화를 효과적으로 적용할 수 있는 방법은 무엇인가?
• RQ3 불연속성 있는 소스 항을 가진 확산-대류 문제의 정확도와 효율성을 향상시키는 데 랜덤화된 감소 기저 방법이 수행하는 역할은 무엇인가?
• RQ4 PyTorch 및 TensorFlow에서 최적화된 소프트웨어 툴킷을 통해 물리 기반 신경망(PINNs)을 어떻게 가속화할 수 있는가?
• RQ5 civil engineering, 의료, 기후 시스템과 같은 다양한 분야에서 디지털 트윈 모델의 표준화와 검증을 위해 필요한 벤치마킹 문제와 데이터 세트는 무엇인가?

주요 결과

• 디지털 트윈은 전통적 모델링과는 근본적으로 다른 수학적 기초가 필요하며, 특히 불확실성 처리, 다중 척도 역학, 실시간 의사결정 지원 분야에서 그러하다.
• CVaR 기반 최적화는 고차원, 비凸인 환경에서 희귀하지만 영향력이 큰 고장 사건을 효과적으로 최소화하며, 기존의 기대값 기반 방법보다 뛰어난 성능을 보였다.
• 겹치는 시간 하위구간을 가진 랜덤화된 감소 기저 방법은 단일 기저 접근 방식에 비해 갑작스러운 불연속성을 가진 확산-대류 문제의 해의 정확도를 크게 향상시켰다.
• 맞춤형 파이썬 패키지를 통해 가속화된 PINN 구현은 개발 시간과 계산 오버헤드를 줄여 과학적 머신러닝 분야에서 더 빠른 프로토타이핑을 가능하게 하였다.
• 패혈증 모델링, 다리 피로, 입자 해상도 기반 구름 챔버 시뮬레이션과 같은 표준 벤치마킹 문제들은 디지털 트윈 연구의 검증과 발전에 필수적이다.
• 제안된 디지털 트윈 협력연구소는 성공적인 수학 연구소를 모델로 삼아, 다학제적 연구, 교육, 자원 공유의 중심 거점가 될 것이다.