數位孿生的定義與分類學，以機器學習與科學應用案例研究A definition and taxonomy of digital twins: case studies with machine learning and scientific applications

研究問題

這篇想回答數位孿生應該怎麼被一致地定義，以及機器學習強化的數位孿生應該怎麼被分類，才能在科學計算與高效能運算的情境下被講清楚。

材料與方法

作者從下一世代科學儀器與模擬會產生超大資料集這個現實出發，論述需要 HPC 技術才能做即時又準確的分析，藉此釐清數位孿生、科學計算與機器學習三者的關係，建立一致的定義，再提出機器學習強化數位孿生的分類學，並用案例研究來說明。

結論

結論是數位孿生可以也應該有一致的定義，搭配一套機器學習強化版本的分類學去組織，未來方向則包含 hybrid assimilation 框架與 physics-informed 技術，用來提升準確度。

討論與我的觀察

對我來說這篇是底層定義與分類學的奠基文獻，正好對應我們網站 layer 的 bottom 層。為什麼清楚的定義與分類這麼重要，因為一旦定義鬆掉，數位孿生很容易被誤當成只是一張 3D 視覺化的圖，或是一個靜態模型，這篇把定義收緊，讓我之後談森林數位孿生時有一個跨產業的共同底座可以對齊，不會自說自話。限制是這張卡只依摘要與 Crossref 書目查核撰寫，分類學的維度數、案例數與具體 Table 或 Figure 編號都待查，要讀全文才能補。

重要科學發現

• 本文建立一致的數位孿生定義，並提出機器學習強化數位孿生的分類學。
• 本文將 HPC 技術定位為即時且準確分析超大科學資料集的必要條件，串起數位孿生、科學計算與機器學習。
• 本文指出未來方向包含 hybrid assimilation 框架與 physics-informed 技術，用以提升準確度。

博士生的話

這篇給我博論一個站得住腳的數位孿生定義與分類學視角，讓森林數位孿生坐在這個跨產業底層定義之上；對 TJFS review，它幫我把森林數位孿生和單純的 3D 視覺化或靜態模型清楚切開。