DiffPhyCon: 一种控制复杂物理系统的生成式方法

控制复杂物理系统的演化是科学和工程中的一项基本任务。经典技术存在适用性有限或计算成本高昂的问题。另一方面，最近的深度学习和基于强化学习的方法通常难以在系统动力学的约束下优化长期控制序列。在这项工作中，我们引入了扩散物理系统控制(DiffPhyCon)，这是一种解决物理系统控制问题的新方法。DiffPhyCon通过在整个轨迹和控制序列上同时最小化学习到的生成能量函数和预定义的控制目标而表现出色。因此，它可以进行全局探索并规划接近最优的控制序列。此外，我们通过先验重加权增强了DiffPhyCon，使其能够发现显著偏离训练分布的控制序列。我们在三个任务上测试了我们的方法：一维Burgers方程、二维水母运动控制和二维高维烟雾控制，其中我们生成的水母数据集作为复杂物理系统控制研究的基准发布。我们的方法优于广泛应用的经典方法以及最先进的深度学习和强化学习方法。值得注意的是，DiffPhyCon揭示了在水母中观察到的一种有趣的快闭慢开模式，这与流体动力学领域的既定发现一致。项目网站、水母数据集和代码可在https://github.com/AI4Science-WestlakeU/diffphycon找到。