Exploring the Complexities and Possibilities of Digital Twin Technology
Notice bibliographique
Résumé
Digital twin, a popular tool taking advantage of recent advancements on the Internet of Things (IoT), Machine Learning (ML), and Big Data, has rapidly received considerable attention in several fields with applications extending from smart city management to advanced VR/AR systems. We review the detailed investigations into the current research landscape related to digital twins, examining their use across these different fields, and comparing their applications, challenges, and potentials. In the realm of smart cities, creating a digital replica of the city infrastructure could significantly enhance urban planning, city management, and disaster response. Applying the digital twin technology within the smart city would surely bring its unique challenges and opportunities and meet the increasing requirements of city development. Additionally, as a platform for modeling and simulations in the manufacturing industry, digital twin creates virtual copies of these physical entities. By doing so, the digital twin application collects and analyzes unexpected data in manufacturing scenarios which eventually provides better decision making and increases productivity. In the VR/AR industry, the potential of digital twins reveals that this technology could be used for remote working environments, predictive health diagnostics, and personalized treatment plans for the healthcare domain. Although promising, digital twin technology also faces considerable challenges such as the complexities of data communication and accumulation, the dearth of data for training ML models, the need for massive processing power to support high fidelity twins, the high demand for interdisciplinary collaboration, and the absence of standardized development methodologies and validation measures. This paper, however, focuses on the positive aspects and benefits of digital twin technology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».