Physics-Informed Neural Network for Cross-Domain Predictive Control of Tapered Amplifier Thermal Stabilization

📄 arXiv: 2505.20769v1 📥 PDF

作者: Yanpei Shi, Bo Feng, Yuxin Zhong, Haochen Guo, Bangcheng Han, Rui Feng

分类: eess.SY

发布日期: 2025-05-27

💡 一句话要点

提出基于物理信息神经网络的预测控制，用于锥形放大器热稳定，提升跨域泛化能力。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 物理信息神经网络 模型预测控制 锥形放大器 热稳定 跨域泛化 量子传感器 激光控制

📋 核心要点

  1. 锥形放大器中的热噪声严重限制了量子传感器阵列的灵敏度，主要源于增益与温度的非线性耦合。
  2. 提出一种融合物理信息的门控循环单元（PI-GRU）与模型预测控制（MPC）的智能控制策略，增强模型物理一致性。
  3. 实验结果表明，该方法在未见的高功率工况下，预测精度提升58.2%，温度稳定性提升69.1%。

📝 摘要（中文）

本文提出了一种鲁棒的智能控制策略，该策略将编码器-解码器物理信息门控循环单元（PI-GRU）网络与模型预测控制（MPC）框架相结合，用于解决量子传感器阵列中超稳放大激光器因锥形放大器（TA）中非线性增益-温度耦合效应引起的热噪声问题。该方法将物理软约束融入神经网络架构，产生具有增强物理一致性的预测模型，并展示了超出训练数据分布的鲁棒外推能力。利用PI-GRU模型精确的多步预测性能，实现了一种能够实时补偿热不稳定性的分层并行MPC架构。该混合方法实现了TA在不同激光功率操作下的跨域一致热稳定。实验验证表明，该系统仅在低功率操作数据上训练，但在以前未见过的高功率操作状态下表现出卓越的泛化能力，预测精度提高了58.2%，温度稳定性提高了69.1%。

🔬 方法详解

问题定义：论文旨在解决锥形放大器（TA）中由非线性增益-温度耦合效应引起的热噪声问题，该问题严重限制了量子传感器阵列的灵敏度。现有方法在跨不同功率域进行热稳定控制时，泛化能力不足，难以应对实际应用中复杂多变的工况。

核心思路：论文的核心思路是将物理信息融入到神经网络模型中，利用物理定律作为软约束，提高模型在训练数据之外的泛化能力和预测精度。同时，结合模型预测控制（MPC）框架，实现对TA热稳定性的实时补偿。这种结合物理信息和控制策略的方法，旨在克服传统建模方法的局限性。

技术框架：整体架构包含两个主要部分：一是基于物理信息的门控循环单元（PI-GRU）网络，用于预测TA的温度变化；二是模型预测控制（MPC）框架，根据PI-GRU的预测结果，实时调整控制参数，实现热稳定。PI-GRU网络采用编码器-解码器结构，将物理方程作为软约束嵌入到网络训练中。MPC采用分层并行结构，以适应实时控制的需求。

关键创新：最重要的技术创新点在于将物理信息融入到神经网络中，构建了PI-GRU模型。与传统的神经网络模型相比，PI-GRU模型具有更强的物理一致性和更好的泛化能力，尤其是在训练数据范围之外的工况下。此外，将PI-GRU与MPC框架相结合，实现了跨域一致的热稳定控制，克服了传统建模方法的局限性。

关键设计：论文中，物理信息通过损失函数的形式嵌入到神经网络的训练中。具体的物理方程（例如热传导方程）被用来约束网络的输出，使得网络的预测结果更加符合物理规律。此外，MPC框架采用分层并行结构，以提高控制的实时性。具体参数设置和网络结构等细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该系统仅在低功率操作数据上训练，但在以前未见过的高功率操作状态下表现出卓越的泛化能力，预测精度提高了58.2%，温度稳定性提高了69.1%。这表明该方法具有很强的跨域泛化能力，能够有效应对实际应用中复杂多变的工况。

🎯 应用场景

该研究成果可广泛应用于需要高精度温度控制的激光系统中，例如量子计算、量子精密测量等领域。通过提升激光器的稳定性和可靠性，可以提高相关设备的性能和精度，推动量子技术的发展。此外，该方法也可推广到其他物理系统的建模和控制中，具有重要的实际应用价值和未来影响。

📄 摘要（原文）

Thermally induced laser noise poses a critical limitation to the sensitivity of quantum sensor arrays employing ultra-stable amplified lasers, primarily stemming from nonlinear gain-temperature coupling effects in tapered amplifiers (TAs). To address this challenge, we present a robust intelligent control strategy that synergistically integrates an encoder-decoder physics-informed gated recurrent unit (PI-GRU) network with a model predictive control (MPC) framework. Our methodology incorporates physical soft constraints into the neural network architecture, yielding a predictive model with enhanced physical consistency that demonstrates robust extrapolation capabilities beyond the training data distribution. Leveraging the PI-GRU model's accurate multi-step predictive performance, we implement a hierarchical parallel MPC architecture capable of real-time thermal instability compensation. This hybrid approach achieves cross-domain consistent thermal stabilization in TAs under diverse laser power operations. Remarkably, while trained exclusively on low-power operational data, our system demonstrates exceptional generalization, improving prediction accuracy by 58.2% and temperature stability by 69.1% in previously unseen high-power operating regimes, as experimentally validated. The novel synchronization of physics-informed neural networks with advanced MPC frameworks presented in this work establishes a groundbreaking paradigm for addressing robustness challenges in cross-domain predictive control applications, overcoming conventional modeling limitations.