未来天空中可望出现大量载货甚至载人无人机。届时，每架无人机都会有个预测性“假兄弟”，即数字孪生(Digital Twins)，它将随着无人机的存在而持续进化，以监视无人机的结构是否健全，并协助做出无人机是否有坠毁危险，或应改变计划路线以降低风险的决策。
根据德州大学奥斯汀分校(UT Austin)奥登运算工程暨科学研究所所长Karen Willcox在近期的国际会议上演讲时，分享了开发无人机预测性数字孪生计划的细节。该计划的合作方包括UT Austin、麻省理工学院(MIT)、Akselos和Aurora Flight Sciences，主要由美国空军动态数据驱动应用系统(DDDAS)支持。
数字孪生使用基于物理学的模型来捕获无人机行为的细节，从微观尺度到宏观层面，它们代表了无人机的每个组件及其整体。数字孪生还会取得无人机传感器的数据，并将其与模型整合，以创建对无人机健康状况的实时预测。
Willcox表示，大决策不仅需要大数据，还需要大模型。尽管机器学习已成功解决一些问题，例如对象识别、推荐系统等，但对错误答案可能导致高昂代价或有人会送命的问题，则需要更强大的解决方案。
这些大问题是由复杂的多尺度、多物理现象控制。若稍微改变条件，将看到截然不同的行为。Willcox将运算建模与机器学习结合使用，以产生可靠且可解释的预测。其系统能捕获并传达无人机健康方面不断发展的变化，还能解释哪些传感器读数表明健康状况下降。
Willcox及其合作者使用基于投影的方法，因此能识别较小的近似模型。但以某种方式对最重要的动力学进行编码，好将其用于预测。这种方法可创建低成本、基于物理学的模型。
Willcox还开发另一种解决方案来对无人机上发生的复杂物理交互作用进行建模。她与Akselos合作将将模型分解为多个部分，例如机翼的一部分，并计算几何参数、材料属性以及其他重要因素，同时考虑了将整个平面放在一起时发生的交互作用。
每个组件都由偏微分方程式表示，并以高保真度使用有限元方法和运算网格来确定飞行对每个航段的影响，产生基于物理学的训练数据，并将其输入到机器学习分类器中。
借由使用这些模型简化和分解方法，Willcox成功将模拟时间从数小时或数分钟缩短到几秒，同时又维持了决策所需的准确性。
