Forskargrupp AI-Enabled Digital Twins Research Group
Vi utvecklar digitala tvillingar av byggnader, patienter och vårdprocesser och studerar hur AI kan förbättra deras funktioner. Vi fokuserar på tvillingar som är förklarbara och stödjer säkra beslut, från minskad energianvändning till förbättrad klinisk vård.

Forskargruppen AI-Enabled Digital Twins arbetar i skärningspunkten mellan digitala tvillingar och artificiell intelligens, två av de viktigaste drivande teknikerna i den fjärde industriella revolutionen och i modern hälso- och sjukvård. Vi utvecklar och studerar digitala tvillingar som representerar till exempel smarta byggnader, patienter eller vårdprocesser, och hur AI kan stärka dem.
Vi närmar oss utveckling av digitala tvillingar utifrån ett systemperspektiv: Hur digitala tvillingar konceptualiseras, utformas och utvecklas. Institutionen för data- och systemvetenskap har en lång tradition inom systemutveckling och utvecklingsmetoder. Med utgångspunkt i den traditionen innefattar vårt arbete modelleringsansatser, metoder för att härleda krav och arkitekturer för digitala tvillingar utifrån organisatoriska behov och domänbehov, samt sätt att anpassa digitala tvillingar till de affärsprocesser och förmågor som de stödjer.
Vi utvecklar också datavetenskapliga metoder, särskilt för tidsserier och andra sekventiella data, som stärker digitala tvillingars analytiska förmåga. Metoderna omfattar prognoser av ett systems tillstånd och beteende, förklarbarhet hos modellers resultat, kontrafaktisk analys samt att upptäcka och hantera avvikande värden.
Vårt arbete drivs av verkliga tillämpningar, som att minska energianvändningen i en smart byggnad, stödja säkert kliniskt beslutsfattande, minska flaskhalsar i en vårdprocess och förbättra industriella och organisatoriska processer.
Det finns inga kopplade forskningsprojekt.
Kreuzer, T., Papapetrou, P. och Zdravkovic, J. (2024).
Artificial intelligence in digital twins—A systematic literature review
Data & Knowledge Engineering, 151, 102304.
Kreuzer, T., Papapetrou, P. och Zdravkovic, J. (2024, september).
AI explainability methods in digital twins: a model and a use case
I International Conference on Enterprise Design, Operations, and Computing (pp. 3-20). Cham: Springer Nature Switzerland.
Kreuzer, T., Papapetrou, P. och Zdravkovic, J. (2025, juni).
A Meta-model for Integrating Explainable Forecasting with Digital Twins
I International Conference on Advanced Information Systems Engineering (pp. 171-182). Cham: Springer Nature Switzerland.
Rugolon, F., Randl, K., Jovanovic, B., Miliou, I. och Papapetrou, P. (2026).
Multimodal Machine Learning for Early Prediction of Metastasis in a Swedish Multicancer Cohort
JCO Clinical Cancer Informatics, 10, e2500141.
Miri, N., Zdravkovic, J. och Jalali, A. (2026)
Towards Collaborative Process Twin Ecosystems
Accepterad till 24th International Conference on Business Process Management (BPM 2026), Workshop on Futures of Business Process Management, kommande.
Tsikonofilos, K., Bruyns-Haylett, M., May, H. G., Donat, C. K. och Kozlov, A. S. (2025).
Alterations in topology, cost, and dynamics of gamma-band EEG functional networks in a preclinical model of traumatic brain injury
Network Neuroscience, 9(3), 1013-1038.