尽管 Van der Auweraer 在 SIAM CSE 会议上的演讲有点像西门子工具集的宣传,但看到现有的成果仍然令人印象深刻。但是,如果数字孪生领域能有更多的标准化就更好了。在同一场会议上,挪威独立研究机构SINTEF的Oliver Barrowclough介绍了这方面的努力。他介绍了增材制造背景下的ISO 24247 制造业数字孪生框架。作为示例,他展示了如何使用生产过程中的传感器来创建制造对象的数字孪生表示。然后,这可以用于虚拟测试和质量控制,无需仅为质量评估创建对象的额外物理实例。
除了数字孪生,SIAM CSE 大会上的另一个热门话题是机器学习。它提供了一个强大的新工具集,可以计算以前难以计算的事物。 主题演讲人之一、北京大学的鄂伟南教授以量子力学和动态规划中的高维系统为例,阐述了机器 最近的手机号码数据 学习的原理。这些系统的传统方法受到“维数灾难”的影响,但机器学习不会。鄂伟南教授通过使用 DeepMD-kit对超过 1 亿个铜原子进行模拟的结果证明了这一点。显然,这使用了Summit 超级计算机上的 27,360 个 GPU ,因此这仍然是一个相当大的计算量。但至少它是可以完成的。
机器学习在计算科学中的另一种用途是整合各种信息源。机器学习为传统意义上的数据融合提供了全新的视角。例如,一张狗叼着红球的图片和相关的文本标签(“一只狗叼着红球”)实际上是两个可以组合的信息源(两种“模态”)。马萨诸塞大学的Madalina Fiterau提出了一种巧妙的方法,可以整合来自文本、时间序列和图像等不同模态的信息。她使用一种迭代方法,确保在此过程中不会丢失任何信息。她的方法对于通常包含多模态的金融数据非常有用。观察传统的数据融合方法和类似的机器学习方法如何进一步相互促进,将会非常有趣。