面向芯片模型预测控制的神经网络：构建优化训练数据集的方法及其在1型糖尿病中的应用
系统与控制
2025-04-16 v1 人工智能
系统与控制
摘要
训练神经网络（NN）以模拟模型预测控制（MPC）算法是一种有效的方法，可在受限嵌入式设备上实现。通过收集大量输入输出数据，其中输入代表系统状态，输出是 MPC 生成的控制动作，NN 可在计算成本的少数情况下复制 MPC 行为。然而，尽管训练数据的组成对最终 NN 准确性至关重要，但系统性地优化其方法仍未得到充分探索。本文引入了优化样本数据集（OSDs）的概念作为理想训练集，并提出了一种高效的数据生成算法。OSDs 是所有可用数据中一个参数化子集，其（i）在一定数值分辨率内保留现有的 MPC 信息，（ii）避免重复或接近重复的状态，（iii）达到饱和或完整。我们通过在1型糖尿病上训练 NN 来复制乔治亚大学的 MPC 算法，实现了最终准确性的四倍提升。值得注意的是，两组 OSD 训练的 NN 已获得临床测试的监管批准，成为首个用于直接人类胰岛素给药的 NN 控制算法。这一方法为在资源受限的嵌入式平台上实现高级优化开辟了新的路径， potentially 革新了复杂算法的部署方式。
引用
@article{arxiv.2504.11355,
title = {Neural Networks for on-chip Model Predictive Control: a Method to Build Optimized Training Datasets and its application to Type-1 Diabetes},
author = {Alberto Castillo and Elliot Pryor and Anas El Fathi and Boris Kovatchev and Marc Breton},
journal= {arXiv preprint arXiv:2504.11355},
year = {2025}
}