LLM-gestützte Digital Twins: Resilienz, Kontrolle und effiziente Modellierung

Die Nutzung von großen Sprachmodellen (LLMs) zur schnellen Erstellung von Digital Twins verspricht, komplexe Systeme aus groben Beschreibungen und Sensordaten zu modellieren. Gleichzeitig stellen Halluzinationen der Modelle, die Notwendigkeit menschlicher Kontrolle und die Anpassungsfähigkeit in Echtzeit große Herausforderungen dar.

Im Rahmen des Open‑Source‑Frameworks FactoryFlow wurden drei zentrale Designprinzipien entwickelt, um diese Probleme zu adressieren. Das Ziel ist es, robuste, nachvollziehbare und anpassbare Digital Twins zu erzeugen, die gleichzeitig von LLMs unterstützt werden.

Erstens wird die Strukturmodellierung von der Parameteranpassung getrennt. Die LLM übersetzt die natürliche Sprache in eine Zwischenrepräsentation, die von Menschen visualisiert und validiert wird, bevor sie algorithmisch in das endgültige Modell überführt wird. Die Parameter werden dagegen kontinuierlich aus Sensordaten abgeleitet und können von Experten feinjustiert werden.

Zweitens beschränkt sich die Zwischendarstellung (IR) auf die Verbindungen von vorvalidierten, parametrisierten Bibliothekskomponenten. Dadurch bleibt das Modell interpretierbar und fehlerresilient, weil keine monolithischen Simulationscodes eingebettet werden.

Drittens wird ein dichte‑erhaltendes IR verwendet, wobei Python als Beispiel dient. Durch kompakte Schleifen, Klassenhierarchien und klare Syntax bleibt die Modellbeschreibung lesbar, während die Komplexität aus den ursprünglichen Eingaben proportional reduziert wird.

Diese Prinzipien zeigen, wie LLM‑unterstützte Workflows mit menschlicher Kontrolle und struktureller Klarheit kombiniert werden können, um zuverlässige Digital Twins zu schaffen, die sich flexibel an neue Daten anpassen lassen.