Graphical conditional generative modeling for digital twin modeling
作者: Zongren Zou, Théo Bourdais, Ricardo Baptista, Houman Owhadi
分类: cs.CE, cs.LG, physics.comp-ph
发布日期: 2026-06-15
💡 一句话要点
提出图形条件生成建模以解决数字双胞胎建模中的复杂性问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 数字双胞胎 条件生成建模 高斯过程 随机代理模型 模型不确定性 可解释性 动态系统
📋 核心要点
- 核心问题：现有数字双胞胎建模方法在面对复杂性时，难以有效管理变量和数据流，导致模型难以维护和验证。
- 方法要点：本文提出了一种新框架，通过观察数据识别影响目标量的相关变量，结合条件生成建模与高斯过程分析。
- 实验或效果：在多个随机动态系统和经济数据的示例中，所提出的结构生成的随机代理模型表现出与全变量集模型相当的性能。
📝 摘要（中文）
数字双胞胎建模在模型不确定性下的控制和数据同化中，常面临开放式的保真度问题：增加变量、数据流和时间尺度会无限增加模型复杂性，导致系统难以维护、验证和解释。本文提出了一种通过观察数据发现相关变量的框架，识别哪些候选输入影响目标量的全条件分布，而不仅仅是条件均值。这一方法结合了条件生成建模和基于高斯过程的方差分析，能够迭代修剪非影响性输入，并发现可解释的结构。通过多个示例，发现的结构生成的随机代理模型，其下游性能与全变量集训练的模型相当。
🔬 方法详解
问题定义：本文旨在解决数字双胞胎建模中的开放式保真度问题，现有方法在变量和数据流增加时，模型复杂性随之上升，导致难以维护和验证。
核心思路：论文提出通过观察数据识别影响目标量的相关变量，关注全条件分布而非仅仅是条件均值，以应对随机、粗粒度或部分观测系统中的依赖性变化。
技术框架：整体架构包括条件生成建模和高斯过程方差分析两个主要模块，前者学习给定候选输入的目标条件分布，后者通过核模式分解实现输入的迭代修剪。
关键创新：最重要的创新在于将条件生成建模与高斯过程分析结合，能够有效识别非影响性输入，并发现可解释的模型结构，这与传统方法的确定性关系显著不同。
关键设计：在模型设计中，采用了高斯过程的核函数来进行方差分析，设置了适当的损失函数以优化条件生成模型的学习过程，同时确保生成的模型能够有效捕捉动态特性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的随机代理模型在多个示例中，其下游性能与使用全变量集训练的模型相当，且在处理缺失变量和动态系统时表现出更好的可解释性和稳定性，提升幅度明显。
🎯 应用场景
该研究的潜在应用领域包括智能制造、城市交通管理、环境监测等数字双胞胎技术的实际应用。通过提供可解释的随机代理模型，能够帮助决策者在复杂系统中进行有效的控制和优化，具有重要的实际价值和未来影响。
📄 摘要（原文）
Digital twin modeling, including control and data assimilation under model uncertainty, often faces an open-ended fidelity problem: adding variables, data streams, and time scales can indefinitely increase model complexity, ultimately producing systems that are difficult to maintain, validate, interpret, and use for stress or safety testing. As an alternative, one can seek parsimonious stochastic surrogate models built only on the variables needed to describe the relevant quantities of interest. We introduce a framework for discovering such variables from observational data by identifying which candidate inputs influence the full conditional law of a target quantity, rather than only its conditional mean. This distinction is essential in stochastic, coarse-grained, or partially observed systems, where dependencies may appear through changes in variability, tail behavior, multimodality, or uncertainty rather than through deterministic functional relationships. The framework couples conditional generative modeling, which learns the conditional distribution of the target given candidate inputs, with Gaussian-process-based analysis of variance (through kernel mode decomposition), which enables iterative pruning of non-influential inputs and interpretable structure discovery. In control settings, the resulting surrogate can be interpreted as a learned Markov decision process: the method identifies not only a transition model, but also the state, action, and memory variables needed to make the learned dynamics effectively Markovian. Across examples involving stochastic dynamical systems, missing variables, PDE control, reinforcement learning, and economic data, the discovered structures yield interpretable stochastic surrogates whose downstream performance is comparable to models trained on the full variable set.