近日，上海交通大学、英国曼彻斯特大学联合研究团队在工业数字孪生领域取得重要进展，相关研究成果以“Physics-informed neuromorphic learning: Enabling scalable industrial digital twins”为题在期刊National Science Open上发表。上海交通大学自动化与感知学院博士生李鑫为本文的第一作者，陈彩莲教授与关新平教授为本文的共同通讯作者，合作作者包括英国曼彻斯特大学丁正桃教授，以及上海交通大学唐玥、许齐敏、徐磊、张延洲、苏奇等。
全文获取链接：https://www.sciengine.com/NSO/doi/10.1360/nso/20250016。
研究背景
数字孪生技术通过构建物理系统的数字化镜像，正逐步成为实现复杂系统智能建模与优化运行的关键技术。在工业控制领域，其虚实融合特性能够显著提升系统的多维度感知能力与智能化决策水平，进而增强系统功能、提升运行效率并降低运维成本。尽管现有研究已初步证实数字孪生在工业控制系统中的技术可行性，但其在多元化工业场景中的规模化应用仍面临两方面的关键挑战：
1） 高精度建模难：工业系统通常具有多组件强耦合的复杂结构，基于领域知识的传统建模方法难以建立既符合物理机理又具备足够精度的数字孪生模型；
2） 资源约束瓶颈：边缘侧工业控制系统普遍存在计算能力有限、存储资源不足及通信带宽受限等问题，难以支撑数据驱动孪生建模方法的高计算负载需求。
因此，如何构建兼具通用性与计算高效性的数字孪生建模方法，在确保对物理系统的高保真表示的基础上，实现从定制化开发向可扩展部署的范式转变，已成为当前工业控制领域亟待解决的关键科学难题。
本研究从人脑认知机制的核心理念——认知地图获得启发，该机制通过海马体和内侧前额叶皮层等脑区形成的对空间关系和逻辑关联的结构化表征，使人类能够在新环境中快速进行知识迁移和类比推理。基于这一生物学启示，我们重点关注：数字孪生建模能否借鉴这种结构化表征机制，在保持计算效率的同时提升其在新工业场景中的泛化能力？同时，数字空间的建模过程是否有望为阐明生物认知环路中尚未解析的原理提供新的研究视角？
研究进展
1） 本研究建立了生物空间与数字空间的共享认知机制，在数字空间映射了人脑基于结构化知识感知世界、积累经验与指导行为的生物认知环路，形成涵盖感知、记忆存储与行为控制三个核心环节的数字认知闭环（图1）。
2） 在此基础上，提出了PINL 孪生建模框架（图2），以结构化知识驱动的物理一致性表达为核心，通过融合物理系统的空间与关系知识，实现了类脑认知能力的数字化迁移，使其具备类脑的低复杂度认知建模与跨场景泛化能力，显著降低了数字孪生建模过程对专家经验的依赖与计算复杂度。
3）该框架已在电力系统、水处理与钢铁工业等多个典型工业场景中得到验证，在保持建模精度的同时将规模化部署时间降低超30倍。PINL 为数字孪生建模与部署提供了统一可扩展的构建范式，标志着工业数字孪生从高成本定制化向低门槛通用化演进的重要突破。
未来展望
当前PINL针对静态或准静态环境，实现了从高成本定制化向低门槛通用化的关键转变，但在应对工业系统中普遍存在的时变特性方面仍存在局限。如何引入时间动态建模机制，有效融合随环境变化而调整的结构化知识，从而构建适应多变工况的数字孪生模型，将成为下一阶段研究的核心难题。解决这一问题不仅有助于提升PINL在更广泛工业应用中的适用性和鲁棒性，也将促进数字孪生技术向更加智能化和自适应化的方向发展。
图 1 生物空间与数字空间的共享认知机制
图 2 面向工业控制系统的PINL孪生建模方案
