用于混合建模、优化与控制的物理约束机器学习教程
A Tutorial on Physics Constrained Machine Learning for Hybrid Modeling, Optimization, and Control
精选理由
系统掌握物理约束机器学习框架，兼顾约束满足与推理效率，助力建模、优化和控制实践。
AI 摘要
arXiv:2610.32914v1 公告类型：新 摘要：物理约束机器学习（PCML）将领域知识、第一性原理和物理约束融入 AI/ML 模型。在本文中，我们分步骤介绍模块化 PCML 框架 KKT-HardNet，并演示如何在单一平台中将其用于混合建模、过程仿真、优化和模型预测控制。KKT-HardNet 将神经网络的快速推理能力与通过微分投影保证满足代数约束的特性相结合。它能够处理异构数据，并施加线性和非线性等式及不等式约束。其模块化设计支持自定义神经网络骨干和用户定义的 PCML 投影机制。为实现高效的端到端训练，KKT-HardNet 利用隐函数定理通过投影层进行反向传播，从而避免计算开销高昂的自动微分。本文还介绍了一种精确的降阶 Fischer-Burmeister 重构方法，以及一种原始-对偶内点法，作为替代性的投影求解策略。此外，我们还为工程应用中的 PCML 提供了一组多样化的基准测试问题。在约束满足能力和推理时间两方面，KKT-HardNet 均实现了数量级上的性能提升。KKT-HardNet 代码和基准数据集可在 https://github.com/souls-tamu/kkt-hardnet 获取。