디지털 트윈(Digital Twins)은 물리적 시스템을 실시간으로 반영하기 위해 대리 모델(surrogate models)에 의존하지만, 운영 조건이 변화함에 따라 이러한 모델의 성능이 저하될 수 있으며, 이러한 현상을 개념 드리프트(concept drift)라고 합니다. 드리프트 상황에서 대리 모델의 충실도(fidelity)를 유지하는 것, 특히 모델이 우연적 불확실성(aleatoric uncertainty)까지 포착해야 하는 경우 이는 여전히 해결되지 않은 과제로 남아 있습니다. 기존의 적응형 프레임워크는 업데이트가 필요한 시점을 감지하고, 제한된 스트리밍 데이터로부터 모델을 효율적으로 적응시키며, 업데이트가 예측 성능을 진정으로 향상시키는지 인증하기 위한 원칙적인 메커니즘이 부족합니다. 본 논문에서는 Fisher score 기반의 다변량 드리프트 감지기(multivariate drift detector), 매개변수 효율적인 지속 학습(continual learning)을 위한 저차원 적응(Low-Rank Adaptation, LoRA), 그리고 온라인 통계적 검증을 위한 Mann–Whitney $U$ 검정을 통합한 적응형 디지털 트윈 프레임워크를 제시합니다. 이 프레임워크는 Fisher score 벡터를 통해 대리 모델의 신뢰도를 모니터링하고, 드리프트 감지 시 모델 매개변수의 1% 미만을 대상으로 표적 미세 조정(fine-tuning)을 트리거하며, 업데이트된 대리 모델을 배포하기 전에 예측 성능 향상을 통계적으로 인증합니다. 확률적 선형 시스템(stochastic linear system)과 유도 에너지 퇴적(directed energy deposition) 적층 제조 공정을 사례 연구로 적용한 결과, 본 프레임워크는 짧은 지연 시간 내에 분포 변화(distributional shifts)를 성공적으로 감지하였으며, 급격한 드리프트 및 점진적 드리프트 상황 모두에서 예측 정확도와 불확실성 정량화(uncertainty quantification)를 모두 복구하였습니다. 이러한 결과는 신경망(neural-network) 기반 디지털 트윈의 운영 수명 주기 전반에 걸쳐 신뢰성을 유지하기 위한 통계적으로 엄격하고 계산적으로 다루기 쉬운 경로를 구축합니다.