💻 computer science

Scientific Machine Learning-assisted Model Discovery from Telemetry Data

该论文提出了一种名为“对偶模型发现”的半自动化方法，通过从遥测数据中挖掘符号表达式来补充物理方程中的缺失物理机制，并构建工程师在环的工作流，从而提升运输制冷机组数字孪生模型的预测性能。

原作者： Sebastian Micluta-Campeanu, Avinash Subramanian, Anas Abdelrehim, Ranjan Anantharaman, Rohit Dhumane, Brad Carman, Chris Rackauckas

发布于 2026-03-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Sebastian Micluta-Campeanu, Avinash Subramanian, Anas Abdelrehim, Ranjan Anantharaman, Rohit Dhumane, Brad Carman, Chris Rackauckas

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个非常酷的故事：科学家和工程师们如何教计算机“读懂”现实世界的数据，并自动帮工程师修补那些“不够完美”的物理模型。

我们可以把这篇论文的核心内容想象成**“给一辆老式卡车装上一个智能导航和自动修复系统”**。

1. 背景：为什么需要这个系统？

想象你是一家运输冷藏货物的公司（比如运送冰淇淋或疫苗）。你有一辆冷藏车（TRU），里面装着货物。为了省油、省电，你需要知道这辆车在行驶中温度会怎么变化，以便规划路线。

工程师们已经建立了一个**“数字双胞胎”**（Digital Twin），也就是一个在电脑里的虚拟卡车模型。这个模型基于物理定律（比如热力学），试图预测温度。

问题出在哪？
有时候，这个虚拟模型预测不准。就像你给一个老向导指路，他说“前面是直路”，结果前面其实有个大坑。

原因： 工程师在建立模型时，为了简化计算，做了一些“假设”（比如假设墙壁是完美的隔热层，或者空气流动很均匀）。但现实世界很复杂，这些假设漏掉了一些真实的物理细节（比如某个角落的漏风，或者墙壁的某种特殊导热方式）。
后果： 模型校准失败，预测不准，导致运输计划出错。

2. 解决方案：Dyad 模型发现（Dyad Model Discovery）

为了解决这个问题，作者提出了一种叫**"Dyad 模型发现”的新方法。这就像是一个“人机协作的侦探团队”**。

第一步：让 AI 当“补漏专家”（通用微分方程 UDE）

传统的做法是工程师自己猜哪里错了，然后手动修改公式。但这太难了。
这篇论文的方法是：

先给模型加个“外骨骼”： 他们给原来的物理模型加了一个神经网络（一种 AI 大脑）。
AI 的任务： 这个 AI 大脑不看物理定律，它只看真实数据（来自卡车传感器的温度记录）。它的工作是：“嘿，原来的模型在这里预测错了，让我来算一下差值是多少，然后把这个差值补回去。”
结果： 现在的模型 = 原来的物理公式 + AI 找到的“修正补丁”。这就像给老向导配了一个能实时看路况的 GPS，哪里路不平，GPS 就自动修正路线。

第二步：工程师当“把关人”（人机回环）

这时候，AI 虽然算出了修正值，但它可能太复杂了（比如用了一堆看不懂的数学公式）。如果直接把 AI 的公式塞进模型，工程师会晕头转向，而且模型会变得很笨重。

所以，作者设计了一个**“工程师在环（Engineer-in-the-loop）”**的流程：

AI 提建议： AI 告诉工程师：“我觉得模型在‘墙壁导热’和‘空气流动’这两个地方需要修正。”
工程师做决定： 工程师可以接受，也可以拒绝。这就像 AI 是副驾驶，工程师是司机，方向盘还在工程师手里。

第三步：把“黑盒”变成“白话”（符号回归）

这是最精彩的一步。AI 最初给出的修正公式可能像天书一样复杂（全是神经网络的黑盒）。
作者用了一种叫**“符号回归”**的技术，把 AI 复杂的计算结果，翻译成了人类能看懂的、简洁的数学公式。

比喻： 想象 AI 写了一篇几万字的论文来解释为什么温度不对。符号回归就像一位翻译官，把这篇论文浓缩成了一句朗朗上口的谚语，比如：“如果分区 A 的初始温度高，那么热量流失的速度就会变快。”
好处： 工程师现在不仅能预测温度，还能理解为什么温度会这样变化，而且这个新公式可以应用到不同的卡车配置上（比如长车厢或短车厢）。

3. 实际效果：冷藏车的“智能升级”

作者用真实的冷藏车数据测试了这个方法：

场景： 一辆有两个不同温度区域（比如一个放冷冻肉，一个放冷藏蔬菜）的卡车。
过程： 他们用了两辆车的真实数据来“训练”AI，然后用第三辆从未见过的车的数据来“考试”。
结果： 经过 AI 修补后的模型，预测准确率提高了 3%。在工业界，这 3% 的提升意味着巨大的能源节省和更精准的路线规划。

4. 总结：这不仅仅是代码，是“新设计流程”

这篇论文最大的贡献不在于那个具体的数学公式，而在于它提出了一种全新的工作流：

不抛弃旧模型： 我们不需要扔掉工程师辛苦建立的物理模型。
AI 做杂活： 让 AI 去处理那些复杂的、人类看不出来的数据偏差。
人类做决策： 让工程师保留对模型的控制权，把 AI 的复杂计算“翻译”成人类能理解的物理规律。

一句话总结：
这就好比给一位经验丰富的老工匠（物理模型）配了一位不知疲倦的学徒（AI）。学徒负责在老工匠看不见的地方找错并修补，最后把修补的方法整理成一本新的“操作手册”交给老工匠。这样，老工匠既保留了经验，又学会了新技术，造出的产品（数字模型）也就更完美了。

科学机器学习辅助的遥测数据模型发现技术总结

本文提出了一种名为**Dyad 模型发现（Dyad Model Discovery）**的半自动化方法，旨在通过从遥测数据中发现符号表达式来增强物理模型的方程，从而解决动态模型校准困难的问题。该方法特别应用于运输制冷单元（TRU）的数字孪生构建中，利用科学机器学习（SciML）技术提升预测性能。

以下是该论文的详细技术总结：

1. 问题背景与挑战

核心问题：在 HVAC&R（暖通空调与制冷）领域，将动态模型校准到实际数据是一项极具挑战性的任务。当模型无法校准到数据时，往往是因为模型做了过多的简化假设，导致缺失了关键的物理机制（Latent Dynamics）。
现有局限：传统的系统识别方法（如 SINDy 或经典线性系统识别）通常是纯数据驱动的，缺乏物理可解释性。而传统的参数校准方法在面对高维、非线性优化问题时，常因参数不可识别或模型结构不足而难以收敛。
具体场景：运输制冷单元（TRU）包含一个多温区货箱，其热 - 流体模型通常基于集总参数法（Lumped Control Volume）。然而，由于不同单元间的参数差异显著，且多温区场景下未知参数众多，导致现有模型的预测精度不足，难以满足车队规划和路线优化的需求。

2. 方法论：Dyad 模型发现流程

该方法基于通用微分方程（Universal Differential Equations, UDEs），结合神经网络与物理方程，并通过“工程师在环（Engineer-in-the-loop）”的工作流进行半自动化操作。整个流程包含四个主要数值步骤：

2.1 通用微分方程 (UDEs)

原理：在原有的物理微分代数方程（DAE）的时间导数项中引入一个神经网络修正项 $NN(u, x, p, t; \theta)$ 。
公式：将原方程 $\frac{du_d}{dt} = f(u, x, p, t)$ 修正为 $\frac{du_d}{dt} = f(u, x, p, t) + NN(\dots)$ 。
训练：通过最小化预测输出与遥测数据之间的残差（Loss Function），利用伴随方程（Adjoint Method）和自动微分技术优化神经网络权重。

2.2 输出掩码 (Output Masking)

目的：减少修正项的维度，避免过度拟合。
过程：分析训练后神经网络输出的幅度，计算修正量相对于时间导数最大值的比率。通过迭代掩码（Masking）过程，保留对损失函数贡献最大的前 $X$ 个输出，屏蔽掉幅度较小的修正项。

2.3 敏感性分析 (Sensitivity Analysis)

目的：减少输入变量的维度，确定哪些状态变量对修正项影响最大。
过程：在最优参数处计算从输入到输出的雅可比矩阵（Jacobian Matrix），根据列的相对幅度筛选出最重要的输入变量。

2.4 符号回归 (Symbolic Regression)

目的：将黑盒的神经网络转换为可解释的符号表达式。
过程：利用符号回归算法（如 PySR 等），在筛选出的输入变量（状态变量、参数）空间中搜索最佳的数学表达式，以替代神经网络。
结果：生成新的物理方程，这些方程可以直接附加到原始模型中，形成增强后的物理模型。

3. 关键贡献

首个 AI 辅助工程设计工作流：提出了一种“工程师在环”的半自动化流程。系统提供建议（如修正方程、输入变量选择），工程师拥有最终接受或拒绝的决策权，确保了工程设计的可控性和可解释性。
从数据驱动到物理增强的转化：不同于纯数据驱动方法，该方法利用 UDE 发现缺失的物理项，并通过符号回归将其转化为人类可读的数学公式，实现了“白盒”模型发现。
Dyad 平台集成：展示了该技术在 JuliaHub 的 Dyad 建模环境中的实际应用，集成了结构简化、实验跟踪和自动超参数搜索功能。

4. 实验结果

案例对象：一个具有两个温区的运输制冷单元货箱模型（Two-zone cargo box）。
数据：使用三个实例的遥测温度数据，其中两个用于训练，一个用于测试。
模型简化：原始模型经过结构简化后，包含 36 个状态（28 个微分变量，8 个代数变量）。
性能提升：
- UDE 训练：初始全连接神经网络（36 输入，28 输出）训练后，在未见数据集上损失函数降低了 3%。
- 维度缩减：通过掩码和敏感性分析，发现仅需 2 个 输出修正项和 7 个 关键输入变量（包括分区尺寸、初始温度、质量流量等）即可达到相同的预测精度。
- 符号回归：成功生成了参数化的符号表达式。这些表达式不仅拟合了训练数据，还能根据货箱配置（如分区长度、初始温度）进行泛化，在未见过的配置上表现良好。
可视化：通过雅可比矩阵热力图清晰展示了哪些变量对模型修正最为敏感。

5. 意义与未来展望

工程价值：该方法为数字孪生构建提供了一种高效手段，能够自动发现现有物理模型中缺失的机制（如未建模的热传导或质量泄漏效应），显著提升预测精度。
可解释性：通过符号回归，工程师可以直观地理解数据驱动发现的物理规律，而非面对不可解释的黑盒模型。
局限性：
- 目前的符号回归结果中仍包含“虚拟导数”（Dummy Derivatives，编译过程产生的非物理量），未来需研究如何将其转化为纯物理量。
- 修正目前应用于编译后的模型，未来需探索如何在用户源代码编译前直接修正特定方程。
结论：Dyad 模型发现是一个强大的工具，能够补全系统模型，不仅提高了组件级模型的准确性，还展示了在复杂工程系统中实现 AI 辅助设计的巨大潜力。