光腔温控强化学习

首个将Transformer与强化学习结合用于光学腔温度控制的模型，通过双注意力机制处理特征耦合与时延，实现高精度稳定控温。

Zhang, Hongli · Yufan, Lu · 王驰 · 窦唯 · 刘树林 · Cheng, Huang · Jian, Peng · Weiheng, Cheng

Applied Intelligence 2025

技术优势

全面建模耦合

传统控制方法未能充分考虑特征间的耦合效应，而Transformer生成增强特征，强化学习迭代优化策略，能更完整地建模这些相互作用。

补偿热传递时延

传统方法未能妥善处理热传递中的时间延迟，而强化学习通过迭代学习可优化控制策略，有效补偿延迟。

抢占技术先机

这是Transformer首次应用于温度控制领域，为该领域引入先进机器学习技术开辟了道路。

应用场景

• 复杂系统控制：用Transformer强化学习驾驭高维耦合动态，替代依赖人工调参的传统控制。
• 智能温度控制：从数据中学习最优控温策略，摆脱传统PID的手动整定。
• 激光气体检测：稳定光腔温度，保障气体浓度测量的长期准确度。
• 精密仪器温控：为对温度波动敏感的光学器件提供高精度热管理方案。