연구진이 Fisher 점수 기반 다변량 드리프트 감지, LoRA (Low-Rank Adaptation) 기반 파라미터 효율적인 지속적 학습, Mann–Whitney U 검정을 통합한 자체 적응 디지털 트윈 프레임워크를 개발했어요.
이 프레임워크는 서브 모델의 신뢰도를 Fisher 점수 벡터로 모니터링하고, 드리프트 감지 시 전체 파라미터의 1% 미만을 타겟으로 미세 조정하며, 업데이트된 서브 모델의 예측 성능 향상을 통계적으로 검증해요.
선형 시스템과 직접 에너지 증착 적층 제조 공정을 사례 연구로 적용한 결과, 짧은 지연 시간 내에 분포 변화를 감지하고 급격하고 점진적인 드리프트 하에서 예측 정확도와 불확실성 정량화를 복원하는 데 성공했어요.