VH-Twin 是一个基于时间序列数据驱动的框架，通过竖直同构和水平同构阶段，以及基于地理和无线特性的网络区域的周期性聚类机制，有效地将无线网络映射到数字现实中。通过使用实际的无线网络流量数据，在细胞无线网络中进行综合实验，验证了 VH-Twin 构建、部署和维护网络数字孪生的有效性。参数分析还提供了在规模上在孪生效率和模型准确性之间取得平衡的见解。

Apr, 2024

互联需求的剧增导致物联网（IoT）传感器过量。为了满足大规模网络的管理需求，如准确的监测和学习能力，数字孪生是关键驱动因素。然而，由于物联网网络的连续连接要求，目前对数字孪生的实施尝试仍然不足。为了应对这些挑战，我们提出了一种数字孪生本地 AI 驱动的服务架构，以支持物联网网络概念。在提出的数字孪生本地架构中，我们实现了基于 TCP 的数据流水线和基于强化学习的学习模型。我们将该架构应用于物联网网络的一个广泛概念，即车联网。我们测量了我们提出的架构的效率，并注意到由于基于 TCP 的数据流水线而节约了约 30％的处理时间。此外，我们通过应用多种学习速率组合来测试学习模型的性能，并强调最成功的模型。

Nov, 2023

基于实际网络数据，本文提出了一种基于自动编码器的跳连接消息传递神经网络（AE-SMPN）作为网络评估模型，通过利用图神经网络（GNN）与循环神经网络（RNN）模型捕捉网络数据的时空特征，并且使用自动编码器（AE）提取初始特征。该神经网络是使用巴塞罗那神经网络中心（BNN-UPC）提供的真实 DTN 数据集进行训练的，本文还提供了模型结构的分析和实验结果。

May, 2024

本文提出了一种基于知识蒸馏的联邦学习训练框架，利用数据孪生技术在服务器上训练大型教师模型，解决设备资源受限和异构性问题，并将联合问题建模为混合整数规划问题，使用 Q - 学习进行模型选择和本地或服务器训练决策，并基于优化分配用户的资源，仿真结果显示该方法显著提高了用户平均精度，同时减少了总延迟。

Mar, 2023

本文介绍了数字孪生无线网络（DTWN），并在其中运行了一种基于区块链的联邦学习框架，以协作式计算提高系统的可靠性和安全性并提高数据隐私，并通过多智能体强化学习找到了最优解。

Nov, 2020

数字孪生的发展代表了一种在受控数字空间中模拟和优化复杂系统的变革性进展，本文介绍了一种智能框架用于构建和评估数字孪生，旨在提高数字孪生在测试算法性能方面的准确性和实用性。

Jun, 2024

使用 TraffNet 这一深度学习框架，通过车辆轨迹数据学习交通流量的因果关系，支持基于时机的决策制定并验证其有效性。

Mar, 2023

本文提出了数字孪生图（DTG）的概念，是一种自动化的、不依赖领域专家的数字孪生构建方法，采用数据驱动和图学习方法应对数字孪生的挑战。

Apr, 2023

本研究从不同角度探索了物理信息神经网络在数字孪生中的潜力，包括验证自适应采样方法在免网格框架中的有效性、评估数据驱动的 PINN 框架的性能，验证其在参数化 Navier-Stokes 方程中的可扩展性，提出了多保真度的数据驱动 PINN 方法，并评估其在不同的预测任务中的预测性能，最后通过集合方法研究了多保真度的数据驱动 PINN 方法的不确定性量化性能，证实了其在数字孪生中的潜力。

Jan, 2024

本文提出了一种基于数字孪生和元学习的网络规划方案来支持有状态应用程序，通过多层计算范例和不同组的资源预留，可以最小化计算、存储和通信资源的使用和重新配置资源预留的成本。

Oct, 2022