GLU: Neues Framework vereint Rekonstruktion und Vorhersage für digitale Zwillinge

Ein neues Verfahren namens GLU (Global‑Local‑Uncertainty) bringt die bislang getrennten Aufgaben der spärlichen Rekonstruktion und der dynamischen Vorhersage von digitalen Zwillingen zusammen. Durch die Kombination beider Prozesse in einem einzigen Zustandsmodell können unbemessene Zustände aus wenigen Messpunkten abgeleitet und deren zeitliche Entwicklung präziser prognostiziert werden.

Der Kern von GLU ist ein strukturiertes latentes Zustandsmodell, das drei Elemente vereint: eine globale Zusammenfassung der Systemorganisation, lokale Token, die an vorhandene Messungen gebunden sind, und ein Unsicherheitsfeld, das Beobachtungen nach ihrer physikalischen Informationsrelevanz gewichtet. Dieses Modell ermöglicht es, sowohl globale Konsistenz als auch lokale Detailtreue zu erhalten.

Für die Rekonstruktion nutzt GLU eine importance‑aware adaptive Nachbarschaftsauswahl. Dabei werden lokal relevante Informationen gezielt abgerufen, während die globale Kohärenz gewahrt bleibt. Das Verfahren erlaubt zudem flexible Abfrageauflösungen auf beliebigen Geometrien, was die Anwendbarkeit in komplexen, nichtstandardisierten Strukturen erhöht.

In einer Reihe anspruchsvoller Benchmarks übertrifft GLU etablierte Methoden wie reduzierte Ordnung, Convolutional Neural Networks, Neural Operators und Attention‑basierte Ansätze. Es bewahrt multi‑skalige Strukturen besser und liefert höhere Rekonstruktionsgenauigkeit. Für die Vorhersage sorgt ein hierarchisches Leader‑Follower‑Dynamics‑Modul, das den latenten Zustand effizient weiterentwickelt, die Speicheranforderungen reduziert und stabile Rollout‑Verhalten gewährleistet. Auf einem realistischen turbulenten Verbrennungsdatensatz behält GLU nicht nur scharfe Fronten und breitbandige Strukturen in mehreren physikalischen Feldern bei, sondern auch deren thermo‑chemische Wechselwirkungen.

GLU stellt damit einen bedeutenden Fortschritt für die Skalierbarkeit und Genauigkeit von spatiotemporalen Rekonstruktionen und Vorhersagen dar. Die Kombination aus globaler Übersicht, lokaler Präzision und Unsicherheitsbewertung macht das Framework besonders geeignet für die Modellierung komplexer physikalischer Systeme in der Industrie und Forschung.