Digital Twins: Hybrid-Modeling, Sim-to-Real RL und LLM-gesteuerte Kontrolle

Eine neue Studie auf arXiv beleuchtet, wie digitale Zwillinge die Modellierung und Steuerung dynamischer Systeme revolutionieren können. Dabei werden physikbasierte, datengetriebene und hybride Ansätze kombiniert und mit klassischen sowie KI‑gestützten Reglern verglichen.

Als Testplattform dient ein Miniatur-Gewächshaus, in dem vier Vorhersagemodelle – Linear, Physics‑Based Modeling (PBM), Long Short Term Memory (LSTM) und Hybrid Analysis and Modeling (HAM) – unter Interpolations- und Extrapolationsbedingungen evaluiert werden. Die Ergebnisse zeigen, dass HAM die ausgewogenste Leistung in Bezug auf Genauigkeit, Generalisierung und Rechenaufwand liefert, während LSTM zwar höchste Präzision erreicht, dafür aber deutlich mehr Ressourcen beansprucht.

Für die Regelung wurden drei Strategien eingesetzt: Model Predictive Control (MPC), Reinforcement Learning (RL) und Large Language Model (LLM) basierte Steuerung. MPC überzeugt durch robuste und vorhersehbare Ergebnisse, RL punktet mit hoher Anpassungsfähigkeit, und LLM‑basierte Regler ermöglichen eine flexible Mensch‑KI‑Interaktion, wenn sie mit prädiktiven Werkzeugen gekoppelt werden.

Die Arbeit demonstriert, dass hybride Modelle und KI‑gestützte Regler in Kombination die vielversprechendste Lösung für die Entwicklung leistungsfähiger digitaler Zwillinge darstellen.