Siemens Digital Twin Composer (2026): маркетинг vs. физика — разбор скрытых зон неопределённости

На выставке CES 2026 компания Siemens представила платформу Digital Twin Composer — решение, объединяющее IIoT, искусственный интеллект и визуализацию на базе NVIDIA Omniverse. В пилотном проекте с PepsiCo заявлены впечатляющие результаты: выявление до 90% проблем проектных решений, рост производительности на 20% и снижение капитальных затрат на 10–15%. Однако ключевой вопрос остаётся без ответа: как именно платформа обеспечивает физическую достоверность на этапе разработки (ЦД-Р)?

Что известно из официальных источников

Согласно пресс-релизу Siemens [3], архитектура строится на трёх компонентах:

• Промышленный интернет вещей (IIoT) — сбор потоковых данных с датчиков в реальном времени.
• Искусственный интеллект (AI/ML) — прогнозирование отказов и оптимизация сценариев.
• Интерактивная среда моделирования — интеграция с NVIDIA Omniverse для визуализации производственных процессов.

Эти компоненты ценны для этапов производства (ЦД-П) и эксплуатации (ЦД-Э). Однако зона неопределённости — именно этап разработки (ЦД-Р), где закладывается фундаментальная физическая база модели.

В чём главная неясность

Согласно ГОСТ Р 57700.37—2021 [1], цифровой двойник на этапе разработки должен опираться на мультифизические CAE-модели, прошедшие валидацию и верификацию (V&V). В открытых заявлениях Siemens нет ответов на принципиальные вопросы:

• Используется ли нестационарное 3D-моделирование на базе Simcenter?
• Применяются ли физически обоснованные ROM (Reduced Order Models) для работы в реальном времени?
• Или речь идёт только о статистических суррогатных (нейросетевых) моделях, которые плохо экстраполируют за пределами обучающей выборки?

Международный стандарт ISO 23247-1:2021 [4] намеренно использует размытый термин «цифровое представление», что позволяет вендорам скрывать реальную техническую базу.

Альтернатива с открытой архитектурой: CML-Bench®

Для сравнения: отечественная платформа CML-Bench® [5, 6] публично демонстрирует строгий стек: нестационарное 3D CAE → V&V → ROM → AI/ML. Классический пример — метод POD (Proper Orthogonal Decomposition) для аэродинамики крыла [7, 8]:

• Полное CFD-моделирование (миллионы ячеек) занимает часы.
• ROM на основе POD сокращает время до долей секунды (ускорение в 10⁴–10⁵ раз) с погрешностью менее 1–2%.
• Физическая структура течения воспроизводится корректно, так как моды наследуют уравнения Навье-Стокса.

Суррогатная нейросеть, обученная на тех же данных, за пределами диапазона даст физически бессмысленные значения. Экстраполяция для ROM — предсказуема и строга, для суррогата — катастрофична.

Итог

Siemens Digital Twin Composer — значимый шаг в интеграции IIoT и управления производством. Однако фундаментальная база ЦД-Р скрыта за маркетинговыми заявлениями. Платформа CML-Bench®, напротив, предлагает прозрачный и верифицируемый путь, где ROM гарантирует физическую адекватность, а не статистическую подгонку.

«Заявление о снижении проблем проектирования на 90% остаётся на уровне маркетингового результата, но не технического решения», — отмечается в аналитическом обзоре.

Читателю предлагается самостоятельно оценить степень достоверности заявлений Siemens на основе приведённого сравнения.

Источники

1. ГОСТ Р 57700.37—2021. Цифровые двойники изделий. Общие положения
2. Siemens unveils Digital Twin Composer at CES 2026
3. ISO 23247-1:2021. Digital Twin framework for manufacturing
4. CML-Bench®: часть 8.1 — применение оптимизации, ML и генеративного AI (САПР и графика, 2025)
5. CML-Bench®: часть 8.2 — продолжение (САПР и графика, 2025)
6. Lumley J.L. The structure of inhomogeneous turbulent flows (1967)
7. Willcox K., Peraire J. Balanced model reduction via POD (AIAA Journal, 2002)