混合數位分身(Hybrid Digital Twin)運用混合分析技術結合物理和數據，能夠善用兩者優勢提升數位分身準確度。
混合數位分身(Hybrid Digital Twin)是一種結合物理和數據的數位分身。換句話說，混合數位分身不僅僅只依賴模擬或者機器學習(ML)單獨進行，而是萃取這兩種方法的精華與優勢來利用系統所有可用知識。工程領域負責提供物理模型，而數據為該模型提供了新的見解。結合物理和數據技術之方法，稱為混合分析技術(圖1)。透過相關工具可以善用此技術提升數位分身精準度，例如Ansys Twin Builder和混合分析工具組合可以將數位分身的精準度提升至98%或更高。
混合分析是一組機器學習工具，以不同的方式將物理和數據組合在一起。透過在選擇培訓數據和機器學習技術方面做出更明智的選擇，可以為混合數位分身開啟新的可能性。其中，最明顯的一個領域是融合建模，即至少將兩種不同類型的資料組合起來訓練一個機器學習模型。
融合建模：融合物理和數據
構建機器學習模型時，使用者須提供輸入/輸出(Input/Output, I/O)數據，接著，機器學習演算法將創建一個深度學習模型，可用於重複預測不同輸入情境下的輸出結果。一般情況下，深度學習所選擇的訓練資料和演算法都會影響最終結果的品質與穩定性。例如，簡化模型(Reduced-Order Models, ROM)通常使用模擬的資料來構建，依賴模擬軟體之演算法方程式的技術成熟度。實際量測資料之統計更適合作為噪音感測器的學習資料。在融合建模中，至少使用兩個不同來源的資料來訓練模型。這可能意味著組合不同類型的模擬資料，或是組合模擬資料和感測器數據。無論如何，組合多個數據來源可以為更多應用程式創建更豐富的機器學習模型。
融合：殘差建模
若希望能透過物理建模保留已知系統資訊，並從所有可用資料中學習，同時使用模擬和感測器資料十分理想。當元件或系統的基本物理被充分理解與解析，並可透過已知公式進行建模時，基於這樣的物理方程式所建構之模型，可視為良好的數位分身模型。然而，在實踐中，由於多種原因，可能很難實現完整的物理模型。這些原因包括：
．摩擦或損失未被完全理解。
．幾何形狀未被充分捕獲。
．未建模的環境影響。
．隨著時間的降解。
例如，這可能包括電機常數的不確定性、各元件的慣性，或管道內壁的摩擦量。在這些情況下，第一種解決方法便是嘗試從可用資料學習物理模型的參數。運用機器學習技術能夠從資料中取得更準確的參數值，並為這些參數提供預測。
這種方法的其中一項關鍵優點是，物理行為的知識完全保留於模型中。從資料中學到的資訊將包含在模型參數的值裡面。因此，即使模型沒有完全以物理方式呈現，並且試圖藉由調整參數來彌補，學習到的行為至少在該模型的情境和與其他參數值的關係中可以被解釋。因此，設計師和工程師可以更好地了解問題的根本原因和系統的行為。
即便是最完善的物理模型有時也可能無法完全捕捉到系統的實際行為。具體來說，當系統中存在建模時候未考慮的物理因素時，僅是學習更好的參數值仍不足以達到應用所需的精度水準。在這種情況下，融合模型便可派上用場，協助提供高準確度的預測結果。
當標定的模型和預期行為之間仍然存在差距時，可以構建融合模型來評估分身預測和代表目標行為資料之間的差異。這類融合建模通常稱為殘差建模(Residual Modeling)。在融合殘差模型中，兩個不同的資料來源為物理模型預測和實驗資料。因此，殘差建模主要用於「假設」情景中，以實現更精準的預測。
