该研究探讨了数字孪生（DT）在提升密集人口城区中的网络性能方面的潜力，具体关注车辆网络。研究包括两个阶段，第一阶段利用交通数据和人工智能聚类来确定关键位置，尤其是在事故率高的拥挤城区。第二阶段评估了通过三种部署场景对车辆网络进行孪生的优势：基于边缘的孪生、基于云的孪生和混合孪生。我们的分析表明，孪生显著减少了网络延迟，虚拟孪生优于物理网络。虚拟孪生即使在车辆密度增加的情况下，如 300 辆车的情况下，仍保持较低的延迟，例如 15.05 秒。此外，在某些情境中，云孪生的计算速度较快，是边缘孪生的 1.7 倍。这些发现为高效车辆通信提供了见解，并强调在做出部署决策时考虑现实因素的重要性。

Feb, 2024

数字孪生网络在网络编排、资源管理和人工智能模型训练及智能推理等方面具有重要作用，是实现 6G 网络的关键技术之一。本文探讨数字孪生网络与人工智能相互促进的机制，并为探索数字孪生网络与人工智能的未来研究方向提供参考。

Sep, 2022

本文提出了一个基于学习的网络数字孪生用于网络模拟器，它可以综合表示无线网络中的信息流，并通过将网络配置映射到关键绩效指标来进行快速实验和优化。通过在多种情景下全面测试，结果表明该方法比传统的基于模拟的方法具有更高的精确性和鲁棒性，同时实现了比模拟器更高的计算效率。

Jun, 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

本篇论文提供了数字孪生在自主车辆工业中的系统评述，重点强调了准确的数据收集、实时分析和高效的模拟能力，以此来提高性能和可靠性，同时探讨了数字孪生的技术挑战和中心技术，并对在智慧城市中自主车辆所使用的不同方法进行了对比分析，最后讨论了数字孪生在自主车辆行业中的应用挑战和限制。

May, 2023

提出了一种大型语言模型（LLM）驱动的数字孪生网络框架（LLM-Twin），通过远程合作方案实现了 LLM 在数字孪生网络中的高效部署，并为数字孪生网络设计了语义级高效和安全的通信模型，经过数值实验和案例研究验证了 LLM-Twin 的可行性，这是第一个提出 LLM 驱动的语义级数字孪生网络框架。

Dec, 2023

基于大数据和数字孪生技术构建的数字孪生移动性建模框架在交通相关应用中展现了良好的性能和有效性。

Feb, 2024

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

本文提出了一种动态层次结构框架，其中一组物联网设备被激励相互感应和收集物理对象的状态信息，并协助虚拟服务提供商同步数字孪生，以最大化其利润。通过理论和实验分析，证明了该框架的有效性及其优于基准线的性能。

Mar, 2022

在通信网络的背景下，数字孪生技术提供了一种复制无线电频率（RF）传播环境和系统行为的方法，从而实现基于仿真的已部署系统性能优化的方式。我们提出了一个实用的数字孪生创建流程和一个仅依赖单个安装摄像头和位置信息的通道模拟器，通过使用 DeepSense6G 挑战的真实世界数据集，在波束获取的下游子任务上展示了与不明确建模 3D 环境的方法相比的性能优势。

Jan, 2024