Нейросеть научилась создавать «цифровые двойники» без предварительного обучения
Международная группа исследователей представила новую архитектуру Zero-Shot Digital Twins, которая позволяет создавать точные цифровые копии физических объектов и процессов без предварительного обучения на конкретных геометриях. Работа опубликована на сервере препринтов arXiv.
В основе разработки лежит Thermodynamics-Informed Graph Neural Network (TIGNN) — графовая нейронная сеть, вдохновлённая термодинамикой. Она моделирует физические процессы, соблюдая законы сохранения энергии и возрастания энтропии, за счёт чего достигает высокой точности даже на незнакомых конфигурациях.
Для интеграции с реальным миром система использует компьютерное зрение: модели сегментации и оптического потока отслеживают границы объекта, а вспомогательная GNN восстанавливает ненаблюдаемые поля, такие как напряжение или скорость, по разреженным визуальным данным. Это позволяет запускать симуляцию с минимальными переходными процессами.
Особенность подхода — механизм замкнутой обратной связи: визуальные измерения постоянно корректируют авторегрессионный прогноз, устраняя численный дрейф и расхождения между симуляцией и реальностью. Таким образом, мост между виртуальной и физической средой строится непрерывно.
Авторы протестировали технологию на двух крайне разных задачах: большая деформация вязкоупругой балки и нелинейное плескание вязкой жидкости. В обоих случаях система мгновенно адаптировалась к новым, ранее не встречавшимся формам без дообучения, выдавая результат за 25 миллисекунд на кадр.
Исследователи подчёркивают, что данный подход открывает путь к созданию универсальных цифровых двойников, которые могут работать в реальном времени и напрямую проецировать скрытые механические переменные через дополненную реальность. Это потенциально применимо в промышленности, робототехнике и мониторинге инфраструктурных объектов.
