CANN材料化学仿真预测：PID步响应特征提取

PidStepResponseFeatures

【免费下载链接】mat-chem-sim-pred面向工业领域，聚焦计算仿真、预测两大核心场景，构建面向流程工业"机理+数据"双轮驱动的领域计算层，推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred

功能说明

PidStepResponseFeatures是 PID 候选轨迹的批量特征提取原型。它假设上游已经得到候选过程变量轨迹：

pv_candidates[B, C, N], sp[B, N] -> features[B, C, 12]

该方向不做闭环递推，只做 device-side 后处理，适合与 rollout 或仿真流水线拼接。

与 batch rollout 的关系

当前pid_fopdt_batch_rollout_score、pid_ipdt_batch_rollout_score、pid_sopdt_batch_rollout_score已经在闭环仿真过程中融合了部分特征累计、固定评分和 best reduce：

模型参数 + PID 候选 -> 闭环仿真 -> IAE/ISE/overshoot/settling_time/score -> best_result/best_idx

因此如果主链直接使用 batch rollout 输出最优 PID，通常不需要再调用本算子。本算子适用于另一条模块化链路：上游已经生成完整候选轨迹pv_candidates[B,C,N]，并且希望保留每个候选的 12 维可解释特征，再由 host 侧策略或后续评分算子做可配置评分与选优。

两条路线的区别：

batch_rollout_score: 仿真 + 固定特征 + 固定评分 + 选优，融合高效，只输出 best step_response_features + downstream scorer: 不负责仿真，处理已有轨迹，保留每个候选特征，更灵活但链路更长

特征

initial_value, final_value, final_abs_error, peak_value, trough_value, overshoot_ratio, undershoot_ratio, rise_time, peak_time, settling_time, iae, ise

计算说明与小例子

对单条候选轨迹：

target = sp[b, N-1] initial = pv_candidates[b,c,0] final = pv_candidates[b,c,N-1] delta = target - initial

算子扫描整条pv，得到峰值、谷值、首次到达 10%/90% 的时间、最后一次跑出稳定带的时间，以及误差积分：

IAE = sum(abs(sp - pv)) * sample_interval ISE = sum((sp - pv)^2) * sample_interval

例如：

sp = [10, 10, 10, 10, 10, 10] pv_A = [0, 4, 8, 10, 10, 10] pv_B = [0, 8, 12, 11, 10, 10]

候选 A 没有超调，但前期跟踪较慢：

IAE = 10 + 6 + 2 + 0 + 0 + 0 = 18 ISE = 100 + 36 + 4 = 140

候选 B 跟踪更快，但存在超调：

peak_value = 12 overshoot_ratio = (12 - 10) / (10 - 0) = 0.2 IAE = 10 + 2 + 2 + 1 + 0 + 0 = 15 ISE = 100 + 4 + 4 + 1 = 109

后续评分器可以根据业务权重决定更偏好“快”还是“稳”。

当前定位

该目录已从 Python reference 探索池推进为 Ascend C 原型算子，包含：

• aclnnPidStepResponseFeatureshost API。
• pid_step_response_features_kerneldevice kernel。
• ACLNN smoke 示例。
• ACLNN benchmark。
• Python reference、测试和本机 benchmark。

该算子按(batch,candidate)切分任务，在 kernel 内融合峰值、误差积分、rise/settling time 扫描，不显式输出或回传中间轨迹特征。

已验证结果

• 本地 Python reference：4 passed。
• node202 / Ascend910B3 CANN 构建通过。
• ACLNN smoke 通过：known case 输出initial=0 final=10 peak=11 overshoot=0.1 rise_time=2 peak_time=4 settling_time=5 iae=15 ise=91。
• node202 benchmark 中等和较大规模均与 CPU reference 完全对齐，feature_max_abs=0。

详细材料：

• 算法说明
• API Reference
• Benchmark Note
• 交付说明

本机验证

python -m pytest prediction/ProcessControl/PIDModelFit/pid_step_response_features/tests/test_pid_step_response_features.py -q python prediction/ProcessControl/PIDModelFit/pid_step_response_features/tests/benchmark_pid_step_response_features.py

Ascend C 构建与 smoke

cd prediction/ProcessControl/PIDModelFit/pid_step_response_features cmake -S . -B build -DCMAKE_BUILD_TYPE=Release -DSOC_VERSION=Ascend910B3 cmake --build build -j 2 ./build/test_aclnn_pid_step_response_features 0 ./build/benchmark_pid_step_response_features 0 64 32 1024 5 64

【免费下载链接】mat-chem-sim-pred面向工业领域，聚焦计算仿真、预测两大核心场景，构建面向流程工业"机理+数据"双轮驱动的领域计算层，推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred