文章提出了一种鲁棒的智能控制策略，将基于编码器-解码器的物理信息门控循环单元（PI-GRU）网络与模型预测控制（MPC）框架相结合。该方法在神经网络架构中融入了物理软约束，构建了一个具有增强物理一致性的预测模型，并在训练数据分布之外展现出强大的外推能力。利用PI-GRU模型精确的多步预测性能，实现了分层并行MPC架构，能够实时补偿热不稳定性。该混合方法在多种激光功率操作下实现了锥形放大器（TA）的跨域一致热稳定。实验验证表明，仅使用低功率操作数据训练的模型，在未见的高功率操作状态下，预测精度提高了58.2%，温度稳定性提高了69.1%。
量子传感器阵列中锥形放大器（TA）的热致激光噪声严重制约探测灵敏度，主要源于增益-温度非线性耦合效应。传统PID控制在低功率激光器(<1W)中可实现毫开尔文级温控，但在高功率TA系统中面临两大瓶颈：
文章首次将物理信息神经网络(PINN)与模型预测控制(MPC)协同，构建端到端深度学习框架解决跨域热稳定问题。
通过集总参数热力学模型推导物理软约束，嵌入GRU网络训练过程。损失函数定义为：
\[ \mathcal{L}(\theta) = (1-\lambda)\mathcal{L}_{\text{data}}(\theta) + \lambda\mathcal{L}_{\text{phy}}(\theta) \]
其中物理正则项$\mathcal{L}_{\text{phy}}$编码Seebeck效应、焦耳热和热传导方程：
\[ Q_{\rm P} = SL_{\rm cl}T_{\rm c}, \quad Q_{\rm J} = \frac{1}{2}I_{\rm cl}^{2}R_{\rm int}, \quad Q_{\rm C} = K(T_{\rm h}-T_{\rm c}) \]
采用约束粒子群优化(PSO)解决梯度求解器局部最优陷阱，位置更新公式为：
\[ x_{q+1}^{p}(k) = \mathcal{P}_{\Omega_I} \left( x_q^p(k) + v_{q+1}^p(k) \right) \]
其中投影算子$\mathcal{P}_{\Omega_I}$强制执行电流饱和约束$\Omega_I = \{\omega \in \mathbb{R}^m \mid I_{\min} \leqslant \omega_i \leqslant I_{\max}\}$。
| 层级 | 技术创新 | 时延指标 |
|---|---|---|
| 数据采集层 | 事件驱动双缓冲机制 | 消除I/O阻塞 |
| 预测层 | GPU加速并行推理 | 推理时间降低82% |
| 优化层 | 分布式PSO评估 | 收敛速度提升3.5× |
仅用0.3-0.6W数据训练的PI-GRU模型，在1.5W高功率场景表现：
| 指标 | GRU | PI-GRU | 提升 |
|---|---|---|---|
| MAE(℃) | 0.0084 | 0.0028 | 66.7%↓ |
| RMSE(℃) | 0.0108 | 0.0036 | 66.7%↓ |
在1.5W@25℃工况下，PI-GRU MPC实现：
表4对比显示：PI-GRU MPC在1.5W功率下的温控稳定性(0.007℃/1000s)超越文献报道的20mW激光PID控制性能(0.008℃/1000s)