[Paper] 数字孪生中的异构模型对齐

Source: arXiv - 2512.15281v1

Overview

本文提出了一种新方法，用于在 数字孪生（DT）由多个不同模型组成并随时间演进时保持它们的同步。通过将自适应符合技术与大语言模型（LLM）驱动的对齐相结合，作者展示了如何自动发现并维护跨抽象层的语义链接，从而降低了通常困扰 DT 项目的大量人工工作量。

关键贡献

• 自适应一致性机制： 一种运行时感知的方法，使元模型能够与其描述的具体模型共同演化，保持语义一致性。
• LLM 验证的对齐过程： 使用大型语言模型将模型对应关系基于领域知识进行锚定，自动生成并检查映射。
• 可扩展的多层对齐框架： 在异构模型类型（本体、SysML、BPMN 等）之间工作，无需手工构建静态映射。
• 真实案例的实证验证： 在空气质量监测数字孪生上进行演示，并与多个 OAEI（本体对齐评估计划）轨道进行基准比较。
• 开源原型： 作者发布了可插入现有数字孪生流水线的原型实现。

方法论

1. 模型与元模型提取 – DT（数字孪生）的组成模型（例如传感器数据模式、仿真模型、业务流程图）被表示为图结构的元模型。
2. 自适应一致性层 – 一组规则监控任何模型的变化，并将所需的更新传播到相关的元模型，确保模型与其元模型之间的“契约”保持有效。
3. LLM 驱动的对齐 –
   • 通过提示工程构建的 LLM（如 GPT‑4）接收模型片段对以及领域词汇表。
   • 它提出候选对应关系（类对类、属性对属性等），并对其语义相似度进行打分。
   • 自动验证器在提交映射之前检查结构一致性（如基数、层次结构）。
4. 迭代细化 – 在仿真或运行时检测到的错配会触发反馈回路，重新调用带有更新上下文的 LLM，逐步提升对齐质量。
5. 评估 – 该框架应用于：
   • 一个空气质量 DT（传感器网络 ↔ 大气模型 ↔ 城市层面政策模型）。
   • 标准 OAEI 基准数据集（如 Anatomy、Conference、Knowledge Graph 轨道），以比较精确率/召回率与最先进本体对齐器的表现。

结果与发现

• 自动化收益： 手动映射工作量从每对模型约 30 小时降至 <2 小时的初始设置，后续更新自动处理。
• 语义一致性： 对齐后未观察到领域约束（例如单位不匹配）的违规，即使在模拟过程中模型被更新。
• 可扩展性： 对齐时间随模型元素数量线性增长，使该方法适用于拥有数万实体的数字孪生（DT）。

实际影响

• 更快的数字孪生部署： 工程师可以在不重写大量映射代码的情况下集成新子系统（新传感器、更新的仿真内核）。
• 降低维护成本： 自适应一致性层会自动传播模式更改，减少易出错的手动重构。
• 提升决策支持： 跨层一致的语义确保预测分析和优化算法获得可信、统一的输入。
• 跨领域可移植性： 由于大语言模型基于领域词汇表，同一对齐流水线可在制造、智能电网或医疗数字孪生中以最小的重新配置复用。
• 工具链集成： 原型可封装为微服务，使现有数字孪生平台（如 Azure Digital Twins、Siemens MindSphere）能够在 CI/CD 流程中调用对齐 API。

局限性与未来工作

• LLM 依赖性: 对齐质量取决于 LLM 的底层知识库；罕见或高度专业化的领域可能需要定制微调。
• 可解释性: 虽然 LLM 提供置信度分数，但对特定映射背后的推理对工程师来说并不总是透明的。
• 在超大图上的性能: 超过约 5 万节点的实验显示延迟增加；未来工作将探索图划分和增量 LLM 提示。
• 标准化: 作者指出需要一种通用的“对齐元数据”交换格式，以促进更广泛的生态系统采用。

总体而言，本文提供了自适应建模与 AI 驱动语义的有力结合，能够使多层数字孪生在实际部署中更加灵活可靠。

作者

• Faima Abbasi
• Jean‑Sébastien Sottet
• Cedric Pruski

论文信息

• arXiv ID: 2512.15281v1
• 分类: cs.SE
• 出版日期: 2025年12月17日
• PDF: Download PDF