自适应控制与深度学习的结合：利用粒子加速器在潜在空间中寻找极值的应用

《IEEE Control Systems》：Adaptive Control Meets Deep Learning: EXTREMUM SEEKING IN LATENT SPACE WITH PARTICLE ACCELERATOR APPLICATIONS

生成式深度学习与极端搜索结合，提升时变系统处理能力，应用于粒子加速器中动态粒子束控制。

　　

摘要：

生成式深度学习最近已成为一项变革性技术，适用于广泛的任务，包括根据用户定义的标题生成图像、直接从DNA序列预测3D蛋白质结构，以及能够根据用户提示编写自定义计算机代码的大型语言模型（LLMs）。机器学习（ML）和人工智能（AI）工具面临的一个主要挑战是处理时变系统或分布发生偏移的系统。ML通常依赖于暴力重训练来在系统发生变化时重新调整已学习的模型。极值搜索（ES）是一种与模型无关的自适应反馈技术，可用于稳定未知的、开环不稳定的时变动态系统，并优化其分析上未知的时变输出函数。ES不受模型影响，同时对噪声和时间变化具有鲁棒性。本文简要回顾了几种生成式深度学习技术，以及它们如何与ES结合使用：生成模型作为对其他情况下无法访问的系统状态的高度详细虚拟诊断工具，而在其潜在嵌入中加入自适应反馈可以提高它们在处理不确定和时变系统时的鲁棒性。该方法通过粒子加速器中时变带电粒子束的应用进行了演示。

生成式深度学习最近已成为一项变革性技术，适用于广泛的任务，包括根据用户定义的标题生成图像、直接从DNA序列预测3D蛋白质结构，以及能够根据用户提示编写自定义计算机代码的大型语言模型（LLMs）。机器学习（ML）和人工智能（AI）工具面临的一个主要挑战是处理时变系统或分布发生偏移的系统。ML通常依赖于暴力重训练来在系统发生变化时重新调整已学习的模型。极值搜索（ES）是一种与模型无关的自适应反馈技术，可用于稳定未知的、开环不稳定的时变动态系统，并优化其分析上未知的时变输出函数。ES不受模型影响，同时对噪声和时间变化具有鲁棒性。本文简要回顾了几种生成式深度学习技术，以及它们如何与ES结合使用：生成模型作为对其他情况下无法访问的系统状态的高度详细虚拟诊断工具，而在其潜在嵌入中加入自适应反馈可以提高它们在处理不确定和时变系统时的鲁棒性。该方法通过粒子加速器中时变带电粒子束的应用进行了演示。