
Utilisation de répliques numériques simulées de systèmes physiques pour entraîner des modèles d'apprentissage automatique avec des données réelles limitées.L'apprentissage par jumeau numérique est une approche d'apprentissage automatique où une réplique numérique simulée d'un système physique est utilisée pour générer des données d'entraînement pour les modèles, en particulier lorsque les données du monde réel sont rares ou coûteuses à obtenir. Le jumeau numérique est une simulation haute fidélité qui imite le comportement du système physique, permettant au modèle d'apprendre à partir d'une vaste quantité de données synthétiques. Cette technique est particulièrement précieuse dans des domaines comme l'imagerie médicale, où la collecte de grands ensembles de données auprès de patients réels est difficile, ou dans les environnements industriels où la réalisation d'expériences physiques est coûteuse.
Le concept de jumeau numérique existe depuis le début des années 2000, popularisé par Michael Grieves, mais son utilisation pour l'entraînement de modèles d'apprentissage automatique a considérablement augmenté dans les années 2010 et 2020 avec les progrès de la simulation et de l'apprentissage profond.
Le processus consiste à créer une simulation détaillée du système physique, qui peut être basée sur des modèles physiques ou apprise à partir de données réelles limitées. Cette simulation est ensuite utilisée pour générer un grand ensemble de données de paires entrée-sortie, qui servent à entraîner un modèle d'apprentissage automatique. Le modèle apprend à mapper l'entrée (par exemple, les lectures de capteurs) vers la sortie souhaitée (par exemple, une image reconstruite ou une classification). Une fois entraîné, le modèle peut être appliqué à des données réelles, souvent avec un ajustement fin sur un petit ensemble d'exemples réels pour tenir compte des écarts entre la simulation et la réalité.
L'apprentissage par jumeau numérique est utilisé en imagerie médicale pour entraîner des modèles de reconstruction IRM et CT, en conduite autonome pour entraîner des modèles de perception dans des environnements simulés, et en maintenance prédictive industrielle.
L'apprentissage par jumeau numérique permet d'entraîner des modèles sur des millions de scénarios simulés en une fraction du temps qu'il faudrait pour collecter des données réelles, et il peut même simuler des conditions dangereuses ou impossibles à créer dans la réalité.























