Organizing Committee
Comité d’organisation
Amy Braverman (Nasa Jet Propulsion Laboratory)
Fariba Fahroo (Air Force Office of Scientific Research)
Houman Owhadi (CALTECH)
Jouni Susiluoto (NASA Jet Propulsion Laboratory)
Daniel M. Tartakovsky (Stanford University)
Dongbin Xiu (The Ohio State University)
Olivier Zahm (INRIA, Université Grenoble Alpes)
Enrique Zuazua (Friedrich-Alexander Universität)
Digital twins are emerging as essential tools for understanding and managing complex systems, particularly those involving model uncertainty, streaming data, and intricate feedback loops. Since the 2010s, initiatives from industry and academic and research agencies and organizations in Europe and the USA (e.g., ESA, NASA, INRIA, AFOSR, ERC, NSF) have highlighted the need to advance the mathematical foundations of digital twin technology.
Despite progress in areas like modeling, data assimilation, and inference, there remains a significant gap between the complexity of systems envisioned for digital twins and the capabilities of current frameworks. This gap is most pronounced at the intersection of data assimilation, uncertainty quantification, and real-time control—domains critical to the efficacy and reliability of digital twins. To address these challenges, we propose a five-day workshop focused on the mathematical and computational foundations of digital twin technology.
This workshop will bring together experts from academia, industry, and research agencies to explore how advancements in real-time synchronization between digital twins and their physical counterparts, along with developments in areas such as surrogate modeling, control theory, inverse problems, large-scale Bayesian methods, reduced-order modeling, dimension reduction, data assimilation, and uncertainty quantification, can stimulate the advancement of digital twin technologies.
In addition to theoretical developments, the workshop will also feature discussions on real-world applications, highlighting how digital twin technologies are being applied across various domains including but not limited to industrial applications, various areas of Earth, life, and physical sciences, and mechanical, civil, and aerospace engineering.
The workshop aims to foster interdisciplinary collaboration and inspire new research in computational and applied mathematics that can meet the actual demands of complex, real-world applications, ensuring that digital twin technology is not only theoretically sound but also practically impactful.
The event will also provide young researchers with valuable insights into the relevance of this rapidly evolving field, guiding them in shaping their academic and industrial careers toward highimpact areas in applied and computational mathematics.
Les jumeaux numériques émergent comme des outils essentiels pour comprendre et gérer les systèmes complexes, en particulier ceux impliquant des incertitudes de modèle, des flux de données en continu et des boucles de rétroaction complexes. Depuis les années 2010, des initiatives de l’industrie ainsi que d’agences et d’organisations académiques et de recherche en Europe et aux États-Unis (par exemple, ESA, NASA, INRIA, AFOSR, ERC, NSF) ont souligné la nécessité de faire progresser les fondations mathématiques de la technologie des jumeaux numériques.
Malgré les progrès réalisés dans des domaines tels que la modélisation, l’assimilation de données et l’inférence, il existe toujours un écart significatif entre la complexité des systèmes envisagés pour les jumeaux numériques et les capacités des méthodes actuelles. Cet écart est le plus prononcé à l’intersection de l’assimilation de données, de la quantification des incertitudes et du contrôle en temps réel — des domaines critiques pour l’efficacité et la fiabilité des jumeaux numériques. Pour relever ces défis, nous proposons un atelier de cinq jours axé sur les fondations mathématiques et computationnelles de la technologie des jumeaux numériques.
Cet atelier réunira des experts du milieu universitaire, de l’industrie et des agences de recherche pour explorer comment les avancées dans la synchronisation en temps réel entre les jumeaux numériques et leurs homologues physiques, ainsi que les développements dans des domaines tels que la modélisation de substitution, la théorie du contrôle, les problèmes inverses, les méthodes bayésiennes à grande échelle, la modélisation en ordre réduit, la réduction de dimension, l’assimilation de données et la quantification des incertitudes, peuvent stimuler l’avancement des technologies des jumeaux numériques.
En plus des développements théoriques, l’atelier mettra également en lumière des applications concrètes, en montrant comment les technologies des jumeaux numériques sont appliquées dans divers domaines, y compris, mais sans s’y limiter, les applications industrielles, divers domaines des sciences de la Terre, de la vie et des sciences physiques, ainsi que dans l’ingénierie mécanique, civile et aérospatiale.
L’atelier vise à favoriser la collaboration interdisciplinaire et à inspirer de nouvelles recherches en mathématiques computationnelles et appliquées qui répondent aux besoins réels d’applications complexes du monde réel, garantissant que la technologie des jumeaux numériques est non seulement théoriquement solide, mais aussi d’un impact pratique.
L’événement offrira également aux jeunes chercheurs des perspectives précieuses sur la pertinence de ce domaine en pleine évolution, les guidant dans l’orientation de leurs carrières académiques et industrielles vers des domaines à fort impact en mathématiques appliquées et computationnelles.
SPEAKERS
Harbir Antil (George Mason University) Optimization and High Fidelity Digital Twins
Théo Bourdais () Minimal Variance Model Aggregation: A principled, non-intrusive, and versatile integration of black box models
Amy Braverman (Jet Propulsion Laboratory) TBA
Tan Bui-Thanh (University of Texas At Austin) Towards Real-Time Probabilistic SciML algorithms for Digital Twins
Matthieu Darcy () Kernel methods for operator learning
Fariba Fahroo (Air Force Research Laboratory) Opening
Charbel Farhat (Stanford University) An Adaptive Probabilistic Physics-Based Framework for High-Fidelity Digital Twins
Roger Ghanem (University of Southern California) Recent Advances in Characterizing Model Error
Omar Ghattas (University of Texas at Austin) Derivative informed neural operators (DINOs) for Bayesian inverse problems and optimal control under uncertainty
David Ginsbourger (University of Bern) Modelling invariances and equivariances with GP models
Alex Gorodetsky (University of Michigan) Towards understanding the effects of approximations in parameter-state data assimilation
Maria Han Veiga (Ohio State University) Policy gradient algorithms for PDE based control problems
Owhadi Houman (Caltech)
Edgar Jaber (Edf R&D / Ens Paris-Saclay) A Bayesian methodology for hybrid degradation prognostics
Alex Konomi (University of Cincinnati) Bayesian Multifidelity Transport Maps for Computer Models with Large non-Gaussian and non-linear Spatial Output
Boris Kramer (University of California San Diego) Nonlinear control and balanced truncation for high-dimensional systems
Christian Linder (Stanford University) Towards a digital twin for additive manufacturing
Jodi Mead (Boise State University) Efficient Model Error Covariance Estimation in four dimensional variational data assimilation via the Representer Method and Regularization Techniques
Sebastian Reich (University of Potsdam) Mean-field Pontryagin formulation for stochastic optimal control
Nicolas Rouquette (et Propulsion Laboratory)
Tuhin Sahai (Sri International) Automating the Discovery of Algorithms using Computational Language Processing
Eric Savin (Centralesupélec) Generative diffusion for fluid flows
Claudia Schillings (Freie University Berlin) Ensemble Kalman Methods for Optimization: Subspace Control, Subsampling, and Applications in Machine Learning and Optimal Control
Jouni Susiluoto (Nasa Jet Propulsion Laboratory)
Daniel Tartakovsky (Stanford University) Reduced order models for digital twins
Xin Tong () Diffusion models for high dimensional digital twins
Dongbin Xiu (Ohio State University) Numerical Approach for Targeted Digital Twins: Direct Modelling of Quantity-of-Interest in Complex Simulation Models
Guannan Zhang (Oak Ridge National Laboratory) Generative AI for Quantifying Uncertainties in Digital Twin Predictions using Observation Data
Enrique Zuazua (University Of Erlangen-Nuremberg) HYCO: A Hybrid-Cooperative Strategy for Data-Driven PDE Model Learning
Paolo Zunino (Polytechnic University of Milan) Probabilistic Formulation of Personalized Risk Assessment: A New Approach for Digital Twins in Oncology