Sebbene oggi non sia ancora molto diffuso, e solo il 13% delle organizzazioni che implementano progetti basati sull’IoT (Internet of Things) lo utilizzi, il Digital Twin è in rapido sviluppo.
Si stima infatti che il 62% delle aziende e organizzazioni stia pianificando di usare il gemello digitale: secondo le previsioni di Markets & Markets, l’importanza del Digital Twin è data dalle stime di un mercato in crescita esponenziale che, al 2025, raggiungerà i 15,66 miliardi di dollari, con un CAGR (Compounded Average Growth Rate) del 37,87% alla Borsa. Ne parliamo con il professor Alfio Quarteroni, matematico, professore al Politecnico di Milano e all’EPFL di Losanna, Accademico dei Lincei, fondatore e presidente di Moxoff.
Cos’è un Digital Twin?
Digital Twin, o gemello digitale, è la rappresentazione virtuale di qualunque processo, oggetto fisico semplice o complesso come ad esempio un aereo, un organo, una persona, eccetera, costituita da un insieme di informazioni virtuali che riproducono struttura, contesto e comportamento dell’oggetto o individuo stesso – spiega il professor Alfio Quarteroni -. Una sorta di clone virtuale (matematico) che riproduce la funzione del suo gemello reale e “dialoga” dinamicamente con esso attraverso scambio di dati (dal gemello fisico al digitale) ed informazioni o istruzioni (dal digitale al fisico). Più precisamente, il Digital Twin è aggiornato dinamicamente, in tempo reale, grazie ai dati che derivano dal suo physical twin a cui è collegato durante l’intero ciclo di vita, grazie a sensori collegati a un cloud. Dal punto di vista tecnologico, un Digital Twin si basa su:
- Un oggetto o dispositivo fisico e reale
- Un alter ego virtuale esistente nel mondo digitale
- Un “ponte” che collega mondo fisico e virtuale, raccogliendo e inviando informazioni e dati.
In pratica, il Digital Twin è un modello virtuale, elaborato da algoritmi di Intelligenza Artificiale (AI), che ambisce a replicare in modo accurato le caratteristiche del suo gemello fisico, permettendo così di valutare e prevedere il comportamento e le prestazioni del physical twin, senza dover fare esperimenti su di esso.
Quando nasce il primo gemello digitale?
Ancor prima di essere definito come concetto, il Digital Twin era stato già sperimentato dalla NASA, fin dalle prime esplorazioni dello spazio, per poter simulare a terra interventi miranti a riparare malfunzionamenti di sistemi nello spazio, e quindi fisicamente molto lontani – prosegue il professor Alfio Quarteroni -. Viste le potenzialità del gemello digitale, l’ente spaziale statunitense decise di avviare studi che, in seguito, portarono all’impiego dei gemelli digitali in numerosi contesti.
Definizione e concetto di Digital Twin, però, nascono solo nel 2002, in un contesto industriale di ricerca di Michael Grieves della University of Michigan sulla gestione del ciclo di vita del prodotto (Product Lifecycle Management). E’ però grazie all’avvento dell’Internet of Things (IoT), che la copia digitale dinamica – così è chiamato anche il Digital Twin – trova la sua vasta applicazione nel campo della progettazione e manutenzione dell’asset nel mondo reale, e nella risoluzione e predizione di problemi funzionali, meccanici, strutturali, tecnologici, eccetera.
Come si crea un Digital Twin?
Il gemello digitale è utile nel mondo reale perché è la replica virtuale di ciò che accade al gemello reale in tempo reale. La dinamicità del gemello virtuale è possibile grazie ai sensori, posizionati nell’ambiente fisico e nelle componenti di processo, che acquisiscono e codificano segnali di vario tipo, permettendo così al gemello digitale di catturare, aggregare, elaborare, analizzare e impiegare i dati per simulazioni algoritmiche – dice il professore Alfio Quarteroni, presidente di Moxoff. Il “ponte”, ovvero la connessione tra gemello digitale e gemello fisico, permette di mettere in atto una risposta per risolvere una determinata esigenza o problema.
Su cosa si basa l’affidabilità del Digital Twin?
Gli algoritmi dell’Intelligenza Artificiale (IA), più precisamente di Machine Learning (ML), permettono di fornire risposte a un dato interrogativo apprendendo a farlo in modo autonomo sulla base dei dati disponibili. Oltre ai dati – continua il professore Alfio Quarteroni – si può disporre anche di una conoscenza della “fisica” del problema, ossia delle leggi basate su principi primi oppure su osservazioni empiriche, espresse nella forma di relazioni causa-effetto.
È precisamente quanto succede nel caso dei Digital Twin. Il gemello reale, fisico, obbedisce a leggi comportamentali ispirate dalla fisica che si traducono in equazioni e modelli matematici. Gli algoritmi di IA, e in particolare di ML, possono beneficiare di questa conoscenza per migliorare la stabilità e l’affidabilità delle proprie risposte. Si parla in questi casi di physics-based models (modelli basati sulla fisica), in antitesi ai data-driven models (modelli basati sui dati), come ad esempio le Reti Neurali Artificiali (ANN) che sono alla base degli algoritmi di ML. Osserviamo che qui il termine fisica va inteso in senso lato, facendo riferimento a qualunque genere di processo o fenomeno del mondo reale.
Quali sono le applicazioni del Digital Twin?
I Digital Twin ricoprono un ruolo fondamentale nel contesto della System-of-Systems Engineering (SoSE), ovvero sistemi complessi le cui funzionalità e le performance sono più che la somma di quelle delle singole componenti. Un esempio di SoSE – risponde il professore Alfio Quarteroni – è il caccia F-35, composto da 200.000 parti, costruite da 1.600 fornitori diversi che dialogano per mezzo di 3.500 circuiti integrati su cui vengono eseguite oltre 20 milioni di righe di codice. L’azione coordinata di questo incredibile numero di componenti non sarebbe possibile senza un modello virtuale della complessa rete di interazione che le collega e che monitora in tempo reale i fenomeni meccanici, aerodinamici, acustici ed elettronici legati al funzionamento del mezzo. Altri contesti in cui l’utilizzo di Digital Twin è ormai consolidato sono l’industria manifatturiera, quella dei trasporti, il settore delle smart cities e più recentemente l’ambito sanitario per ridurre la crescita esponenziale della spesa sanitaria, migliorando la prevenzione e la cura.
Un ruolo chiave a questo scopo può essere ricoperto dall’IA e dai Big Data, mediante il monitoraggio continuo delle persone per mezzo di sensori indossabili (wearable devices), verso quello che è stato battezzato l’IoH (Internet of Health). Lo sviluppo di gemelli digitali di pazienti specifici (detti anche human avatars) potrebbe rivoluzionare l’industria sanitaria, fornendo in tempo reale indicazioni per la prevenzione, la diagnosi e la cura dei pazienti in modo totalmente personalizzato.
Come Moxoff usa i gemelli digitali?
In ciascuno degli ambiti sopra menzionati, è chiaro che i Big Data da soli non bastano: i Digital Twins devono incorporare capacità di estrarre conoscenza dai dati grezzi, potere predittivo, interpretabilità e conoscenza di dominio (ossia della “fisica” del processo in esame). Per dotare i gemelli digitali di tali caratteristiche, l’elemento vincente è costituito dai modelli matematici basati sulla fisica (physics based). Essi permettono, in primo luogo, di filtrare i dati, rimuovere il rumore ed estrarre le feature di interesse, e in secondo luogo di fornire previsioni, studiare scenari di azione, quantificare l’incertezza degli outcome, e definire strategie ottime di azione.
Infine – conclude il professor Alfio Quarteroni – ritengo che la fusione fra algoritmi di ML guidati dai dati, e algoritmi derivanti da modelli matematici che si ispirano alla fisica dei processi, esprima un grandissimo potenziale: la sua realizzazione viene oggi definita Scientific Machine Learning.
Contattaci per ricevere ulteriori informazioni
