数字孪生：动力系统中科学方法的计算机实现(Digital Twins: A Computational Realization of the Scientific Method in Dynamical Systems)

《Machine Learning and Knowledge Extraction》：Digital Twins: A Computational Realization of the Scientific Method in Dynamical Systems

　　

科学方法被广泛认为是为跨学科经验研究提供指导原则的权威性框架。尽管科学方法具有这一核心地位，但其本身很少被明确视作概念框架加以审视。本文通过揭示科学方法与近年来备受关注的数字孪生(Digital Twin, DT)之间的关联，重新唤起学界对这一角色的关注。具体而言，研究人员论证数字孪生框架可被解释为动力系统(Dynamical Systems)背景下科学方法的一种计算实现(Computational Realization)。这一关联的植根于模型的动力特性——因为从物理学到经济学等诸多科学领域均涉及动力系统，而动力系统同时也是数字孪生的核心组成部分。该关联的主要益处包括：为知识迁移提供通用科学语言、强调持续学习与模型选择机制的系统化路径，以及为跨学域中科学方法的计算实现提供实用框架。

论文解读：《Digital Twins: A Computational Realization of the Scientific Method in Dynamical Systems》发表于《Machine Learning and Knowledge Extraction》

一、研究背景与问题提出

科学方法(Scientific Method)是目前科学知识生产中的黄金标准，为科学发现提供指导原则。然而科学方法本质上是一个概念框架(Conceptual Framework)而非严格固定的方法论，其具体应用因问题和学科差异而不同，导致跨域知识迁移困难，且其在具体研究中的作用常被模糊化。另一方面，数字孪生(Digital Twin, DT)近年来受到广泛关注，其实质是对物理实体随时间演化的数字化镜像，具备模拟、学习和持续更新的能力，通常以动力系统（如常微分方程ODE或基于智能体模型ABM）为基础。尽管二者各自发展，但数字孪生与科学方法之间的概念联系长期被忽视。本文旨在通过将数字孪生系统(Digital Twin System, DTS)阐释为动力系统语境下科学方法的计算实现，弥补这一理论空白，并回答数字孪生是否为固定方法抑或通用框架、其与科学推理模式（归纳Inductive、演绎Deductive、溯因Abductive Reasoning）的关系，以及如何通过数据科学技术实现模型的识别、选择与更新。

二、主要关键技术方法

研究人员采用概念分析与理论框架建构法，结合文献综述与案例演示。将数字孪生定义为基于动力系统的可学习动态模型，对照科学方法及假设演绎模型(Hypothetico-Deductive Model, HDM)各要素进行映射分析。技术方法上涉及：(1)模型辨识(Model Identification)与模型选择(Model Selection)，使用赤池信息准则(Akaike Information Criterion, AIC)、贝叶斯信息准则(Bayesian Information Criterion, BIC)、交叉验证及方程发现(Equation Discovery)如符号回归(Symbolic Regression)与物理信息神经网络(Physics-Informed Neural Networks, PINNs)；(2)参数估计(Parameter Estimation)采用最大似然估计(Maximum Likelihood Estimation, MLE)、贝叶斯推断(Bayesian Inference)与最小二乘估计(Least Squares Estimation)；(3)通过统计假设检验判定模型预测性能衰减以触发结构性模型变更。案例以医院环境下的患者数字孪生为例，初始模型基于电子健康记录(Electronic Health Records, EHR)，后期融合多组学(multi-omics)数据触发多模态模型重构，必要时引入人在回路(Human-in-the-Loop)进行溯因推理辅助模型再辨识。

三、研究结果

2. What Is a Digital Twin

研究人员指出数字孪生是对物理孪生(Physical Twin)的数字化表征，通过迭代更新随时间精确镜像物理对象特征，本质上可理解为一个可学习的动力系统。数字孪生系统(DTS)由数据分析与决策模块构成。数字孪生具备五大特征：可预测性(Predictability，生成与物理孪生可比的观测行为)、可解释性(Explainability，基于有现象学对应关系的动力系统 mechanistic模型)、可干预性(Intervenability，支持虚拟干预与What-If情景分析)、可学习性(Learnability，利用时序新数据持续精炼参数)、多样性/不确定性量化(Diversability，通过参数集合生成系综Ensemble预测与概率区间)。以患者数字孪生为例，持续采集患者生命周期数据更新模型参数形成物理—数字孪生闭环信息流，可辅助临床干预建议。

3. The Scientific Method

研究人员梳理科学方法含观察、理论形成、假设提出、实验设计、数据收集分析及假设支持或否证之迭代循环，强调可重复性(Reproducibility)。科学方法五大属性为经验主义(Empiricism)、可证伪性(Falsifiability)、可重现性(Reproducibility)、客观性(Objectivity)与系统性探索(Systematic Exploration)。三大推理形式为归纳推理(Inductive Reasoning，从观察到一般理论)、演绎推理(Deductive Reasoning，从理论推导可检验预测)、溯因推理(Abductive Reasoning，为现象寻找最佳解释以生成假设)。假设演绎模型(HDM)包括假设形成、由假设演绎可检验预测、实验检验三步；扩展模型如循环演绎—溯因模型(Cyclic Deductive-Abductive, CDA)将预测与回溯(Postdiction)整合为连续循环。科学方法为抽象概念框架，允许按问题域灵活实例化，不绑定特定算法。

4. Connection to Digital Twins

研究人员逐条将数字孪生五大特征映射至科学方法对应方面：可预测性对应基于假设与数据做出未来预测；可解释性对应基于证据的理论构建与机理解释；可干预性对应可控实验检验因果；可学习性对应新知识驱动理论与模型修正；多样性对应实验结果及模型的不确定度量化。由于二者均以动力系统描述时变现象并通过反馈环引导连续精炼，数字孪生系统(DTS)可视作科学方法的计算表达——不仅支持参数迭代更新，还支持当现模与新证据冲突时的模型选择(Model Selection)与结构更替。

5. Digital Twins as a Computational Realization of the Scientific Method

研究人员阐明形式化模型取动力系统之原因：基础物理理论均为变化方程描述的动力系统，非物理学科（生物、流行病学、社会、经济）亦常用近似动态或静态网络奠基之动力系统描述。模型获取分两步——模型辨识(Abductive/Inductive Reasoning生成候选模型列表)与模型选择(以AIC/BIC/交叉验证或方程发现筛选最优)。参数须通过统计推断(MLE/贝叶斯推断/最小二乘)估计并结合未见数据评估。若假设检验拒绝"当前模型类预测精度可接受"的原假设(设定显著性水平α)，则表明仅靠参数微调不够，需启动模型再辨识与结构替换，此过程可用复杂性数据科学(Complexity Data Science, CDS)框架承载。

6. Example: Hospital-Based Digital Twin System

以化疗患者为例，初期基于EHR构建一代数字孪生辅助治疗方案规划。随着时间推进持续收集数据与临床干预反馈更新参数。后期引入基因组或转录组等多组学数据需开发新多模态模型——属模型类结构性变更而非参数微调，需重新生成与评价候选模型，此阶段常需领域科学家参与溯因假设构建(人在回路)。该例说明数字孪生系统支持长时程自适应建模，并可借助符号回归、因果发现(Causal Discovery)、PINNs等在候选动力系统空间内探索，推动新规律与机制的潜在科学发现，但根本性新假设仍依赖人类创造力。

7. Discussion

研究人员讨论六点：①数字孪生同学科方法为通用框架(Framework)而非单一固定方法(Methodology)，须兼容异类模型与数据类型；②框架明确限定适用于可用动力系统表达之时变现象，不涵盖所有科学探究但覆盖物理/生物/医学/经济广泛领域；③科学理论为普适原则，模型为简化具象，二者皆属暂定(Provisional)并依经验证据迭代修正与选择，这与数字孪生评价依据实证表现而非"绝对真理"一致；④连接带来四点实务益处——使科学方法可操作化计算实现、凸显持续学习与反馈修正机制、建立跨学域通用科学语言促进知识迁移、有望推动现代高度分化科学之再整合；⑤完全自动化科学方法当前不可行——模型辨识涉溯因推理无完全形式化数学刻画，需人在回路限制全封闭自动；⑥数字孪生不限于黑箱或全透明——可解释数字孪生多采用机理模型(ODE/ABM)，亦可融合PINNs等数据驱动组件，解释性取决于具体实现。若模型不正确，可通过参数更新或触发模型选择切换至更优候选模型，错误模型检出与迭代替代本身就是数字孪生框架内置功能。

四、结论翻译（总结讨论部分之结论）

综上所述，将数字孪生及数字孪生系统关联至科学方法既提供概念清晰性也带来实际益处。特别是该视角为科学方法的操作化提供了明确的计算框架，使假设生成、预测及迭代模型精炼更为具体且可落地实施。这一关联还强调了通过反馈环与基于证据的模型修正来实现持续学习与改进的机制，从而增强数字孪生系统的可靠性。此外，数字孪生提供了一种通用科学语言以促进跨学科知识迁移并推动交叉学科研究。最后，通过桥接多元科学领域，数字孪生有潜力促成科学再整合的新形式，呼应科学方法作为跨学域探究共同基石的角色，同时应对现代科学日益专业化带来的碎片化问题。总体而言，透过科学方法透镜解读数字孪生，为其于科学探究中的角色及各领域中日益广泛的采纳提供了连贯的概念基础。据研究人员所知，尽管系统辨识、控制、仿真及物理信息建模等独立组分已被广泛研究，但将其整合为统一概念框架并将数字孪生视为科学方法计算实现的观点此前尚未以此形式阐明。