
Использование симулированных цифровых копий физических систем для обучения моделей машинного обучения при ограниченных реальных данных.Обучение с помощью цифровых двойников — это подход в машинном обучении, при котором для генерации обучающих данных для моделей используется симулированная цифровая копия физической системы, особенно когда реальные данные scarce или дороги в получении. Цифровой двойник — это высокоточная симуляция, имитирующая поведение физической системы, что позволяет модели обучаться на огромном количестве синтетических данных. Этот метод особенно ценен в таких областях, как медицинская визуализация, где сбор больших наборов данных от реальных пациентов затруднен, или в промышленных условиях, где проведение физических экспериментов дорого.
Концепция цифровых двойников существует с начала 2000-х годов и была популяризирована Майклом Гривзом, но её использование для обучения моделей машинного обучения значительно выросло в 2010-х и 2020-х годах благодаря развитию симуляций и глубокого обучения.
Процесс включает создание детальной симуляции физической системы, которая может основываться на физических моделях или быть обучена на ограниченных реальных данных. Затем эта симуляция используется для генерации большого набора пар «вход-выход», которые применяются для обучения модели машинного обучения. Модель учится отображать входные данные (например, показания датчиков) в желаемый выход (например, реконструированное изображение или классификацию). После обучения модель может применяться к реальным данным, часто с дообучением на небольшом наборе реальных примеров для учёта расхождений между симуляцией и реальностью.
Обучение с помощью цифровых двойников используется в медицинской визуализации для обучения моделей реконструкции МРТ и КТ, в автономном вождении для обучения моделей восприятия в симулированных средах, а также в промышленном предиктивном обслуживании.
Обучение с помощью цифровых двойников позволяет обучать модели на миллионах симулированных сценариев за долю времени, которое потребовалось бы для сбора реальных данных, и даже может симулировать условия, которые опасны или невозможны в реальности.























