文一:
摘要:
数字孪生通过同步数字副本实现物理实体的仿真、评估和优化,作为复杂无线网络的一项有前景的技术,它越来越受到人们的关注。对于6G,众多创新的无线技术和网络架构为建立无线网络数字孪生带来了新的挑战。为了应对这些挑战,人工智能(AI),特别是蓬勃发展的生成型AI,成为一种潜在的解决方案。本文讨论了无线网络数字孪生的新兴先决条件,考虑到6G时代复杂的网络架构、巨大的网络规模、广泛的覆盖范围和多样化的应用场景。我们进一步探索了生成式人工智能的应用,如变压器和扩散模型,从多个角度为6G数字孪生体赋能,包括物理数字建模、同步和切片能力。随后,我们在消息层和策略层提出了一种分层生成的人工智能无线网络数字孪生模型,并提供了一个典型用例和数值结果来验证其有效性和效率。最后,讨论了6G时代无线网络数字孪生的开放性研究问题。
图:无线网络数字孪生解决方案。
图:不同无线网络元件的数字孪生。
图:6G无线网络数字孪生中的生成人工智能。
图:一个支持分层生成人工智能的无线网络数字孪生框架。
文二:
摘要:
本研究提出了一种在实践中使用数字孪生模型预测锂离子电池放电能力的新方法。通过将AdaBoost和长短期记忆(LSTM)网络等尖端机器学习技术与半经验数学结构相结合,构建了数字孪生(DT)——一种实时模拟实际电池行为的虚拟表示。各种元启发式优化方法,如鹿角优化、灰狼优化(GWO)和改进的灰狼优化方法(IGWO),用于调整超参数以优化模型。作为性能指标,平均绝对误差(MAE)和均方根误差(RMSE)在经过广泛训练和十倍交叉验证后应用于模型。Te模型经过严格训练,并使用美国国家航空航天局电池老化数据集进行交叉验证,这是一个被广泛接受的电池研究基准数据集。Te IGWO AdaBoost数字孪生模型表现出色,在预测放电容量方面取得了卓越的准确性。Tis模型的平均绝对误差(MAE)最低为0.01,表明其在估算排放能力方面具有卓越的精度。此外,IGWO AdaBoost DT模型的均方根误差(RMSE)也最低,为0.01。本研究的结果为数字孪生模型准确预测电池放电容量的潜在应用提供了更深入的信息。
图:锂离子电池放电容量估算的数字孪生蓝图。
图:训练中的RMSE值和(a)AdaBoost、(b)Vanilla LSTM和(c)堆叠LSTM模型的10倍CV。
文三:
摘要:
智能城市的发展是由先进人工智能(AI)技术的强大组合所引领的消费电子级数字孪生推动的。人工智能的复杂数据分析和模式识别能力为数字孪生中的实时数据传输和反馈提供了坚实的基础,增强了模拟和分析能力。消费电子级数字孪生的安全性和隐私性对于智慧城市至关重要,特别是在物联网(IoT)安全的背景下,因为它们模拟和控制现实世界的关键基础设施。用于网络安全和威胁检测的复杂人工智能算法的结合可以有效地防止潜在的网络攻击和数据泄露,确保数字孪生系统的安全性和可靠性。智能交通数字孪生系统是人工智能技术在数字孪生领域的典型应用。这些系统模拟城市交通流、自动驾驶汽车和城市规划,从而提高交通效率,减少拥堵和事故,促进城市可持续发展。考虑到车辆轨迹预测在智能交通数字孪生系统中的重要性,我们提出了一种基于车辆间交互的动态图神经网络(DGNN)模型,并对其在车辆轨迹预测中的性能进行了实验分析。
图:人工智能和数字孪生应用。
图:远程通信安全评估模型。
文四:
摘要:
网络虚拟化和原生人工智能(AI)范式的演变将未来的无线网络视为一个在数字平台上整体运行的综合实体,与物理域进行智能交互,为数字孪生(DT)概念的蓬勃发展铺平了道路。最近对DT网络的兴趣是由新的无线技术和用例的出现推动的,这些技术和用例测试了编排网络和管理其资源的复杂性。在人工智能的驱动下,DT的关键原则是为物理实体和网络动态创建一个虚拟双胞胎,利用虚拟双胞胎生成合成数据,并为人工智能模型训练提供一个按需平台。尽管人们普遍认为人工智能是DT的种子,但我们预计DT和人工智能将以克服其局限性并互补彼此利益的方式相互促进。在这篇文章中,我们深入研究了DT的基本原理,揭示了DT在统一模型和数据驱动方法方面的作用,并探索了DT为实现6G网络的乐观愿景所提供的机会。我们进一步揭示了理论基础在人工智能解锁更多机会方面的重要作用,因此,我们揭示了它们对实现可靠、高效和低延迟DT的关键影响。
文五:
摘要:
数字孪生(DT)是一种新兴的数字化技术,对当今工业和研究领域的创新产生了巨大影响。DT可以通过虚拟化现实世界的物理系统来显著提高我们的社会和生活质量,提供有关其运营和资产的更多见解,并通过实时监控和主动维护来增强其弹性。DT也带来了重大的安全风险,因为知识产权是编码的,更容易访问,以及它们与物理对应物的持续同步。当今数字环境中网络威胁的快速扩散和动态性推动了自动化和智能网络解决方案的发展。当今的工业转型在很大程度上依赖于人工智能(AI),包括机器学习(ML)和数据驱动技术,这些技术使机器能够智能地执行自我监控、调查、诊断、未来预测和决策等任务。然而,为了在网络安全背景下有效地使用基于人工智能的模型,人类可以理解的解释及其可信度是在现实世界场景中做出决策的重要因素。本文通过人工智能和XAI方法的分类,对基于可解释人工智能(XAI)的网络安全建模进行了广泛的研究,这些方法可以帮助安全分析师和专业人员理解系统功能,识别潜在的威胁和异常,并最终以智能的方式在DT环境中解决这些问题。我们讨论了这些方法如何在解决各种现实世界应用中的当代网络安全问题方面发挥关键作用。我们通过确定进一步研究的关键挑战和途径,以及专业人员和研究人员如何在这一新兴领域接近和模拟下一代网络安全的方向,总结了本文。
图:举例说明当今网络安全(CyberAIT)的主要方面ーー自动化(A)、智能(I)和可信赖性(T)。
图:从网络用户的角度来看,一个激励场景强调了黑箱人工智能建模(内部工作和决策过程不透明,难以被人类解释)与基于XAI的网络建模。
图:网络安全背景下基于AI/XAI的潜在使用范围。