《Sensors》：Physics-Informed Neural Network with Residual Correction Architecture for Hybrid Feedforward–Feedback Temperature Control of DFB Semiconductor Lasers
编辑推荐：
在密集波分复用（DWDM）系统中，分布式反馈（DFB）半导体激光器的波长稳定性取决于亚毫开尔文级别的温度调节，而热电冷却器（TEC）的非线性、多节点动力学以及传统比例-积分-微分（PID）控制的纯反应性使得这一任务复杂化。研究人员提出了一种基于残差校正架构的物
在密集波分复用（DWDM）系统中，分布式反馈（DFB）半导体激光器的波长稳定性取决于亚毫开尔文级别的温度调节，而热电冷却器（TEC）的非线性、多节点动力学以及传统比例-积分-微分（PID）控制的纯反应性使得这一任务复杂化。研究人员提出了一种基于残差校正架构的物理信息神经网络（PINN），用于混合前馈-反馈TEC温度控制。该架构并非在损失函数中对物理残差违反进行惩罚，而是将一个简化的单节点热模型直接作为冻结基线嵌入网络图中。一个可训练的分支随后仅学习残差不匹配。时间滞后特征被附加到输入中，使得网络能够从冷侧温度历史中重建未测量的内部热状态，这被证明对于克服多节点TEC封装中固有的部分可观测性瓶颈至关重要。在一个高保真三节点TEC模拟器上的消融实验表明，当使用完整数据集训练时，所有模型变体（PINN、物理特征增强神经网络（NN）和纯NN）的R2均超过0.993，但PINN的优势在数据稀缺条件下变得显著。在3%的训练预算下，PINN达到R2=0.966，而纯NN为0.930，这意味着达到给定精度目标所需的数据量减少了约5.4倍。在闭环验证中，PINN+PID混合控制器的稳定时间比单独PID快60%，跟踪均方根误差（RMSE）下降69%，峰值扰动偏差在阶跃、多点设定值和电流扰动场景中下降74%。此处报告的所有结果均通过模拟获得。在物理DFB-TEC硬件上的实验验证留待未来工作。
**论文解读：基于残差校正物理信息神经网络的DFB半导体激光器混合温度控制**
**研究背景与问题**
在密集波分复用（DWDM）系统中，分布式反馈（DFB）半导体激光器的波长稳定性对信道间隔至关重要。典型InGaAsP芯片在1550 nm附近波长漂移约0.1 nm/K，而100 GHz ITU信道网格的容差极小，±0.01 K的热偏移即可使载波偏离其信道。热电冷却器（TEC）作为蝶形封装内的温度调节元件，需实现亚毫开尔文（<10 mK）的稳定性。然而，实际运行中存在多重挑战：TEC电流与结温通过帕尔帖效应非线性耦合，I2R焦耳热部分抵消帕尔帖冷却；蝶形封装内的热流路径跨越多个热质量（芯片基座、陶瓷间隔层、热端散热器），时间常数从0.1秒到数秒不等，单节点集总模型无法复现其阶跃响应；现场环境中的环境漂移、邻近通道热串扰、激光偏置电流阶跃变化等扰动均需TEC回路同步抑制。当前商用激光驱动器多采用纯比例-积分-微分（PID）控制器，其稳态性能尚可，但本质上是反应性的——积分器仅在误差出现后开始积累，导致瞬态过冲和振荡。引入前馈分支可从根本上改善这一状况：一个能提前估计所需TEC电流的模型可承担大部分瞬态工作，PID仅负责弥补残差。
**研究内容与核心贡献**
研究人员提出一种基于残差校正架构的物理信息神经网络（PINN），用于混合前馈-反馈TEC温度控制。其核心创新在于：将简化的单节点热力学模型作为冻结基线直接嵌入网络计算图，而非作为损失函数中的正则项；可训练的分支仅学习残差不匹配；通过添加时间滞后特征（两个过去时刻的冷侧温度与TEC电流样本）补偿未测量的内部热状态，克服多节点TEC封装的部分可观测性瓶颈。该研究在高保真三节点TEC模拟器上进行了系统验证，发现所有模型变体在完整数据集上的R2均超过0.993，但PINN在数据稀缺条件下的优势显著：在3%训练预算（293个样本）下，PINN达到R2=0.966，纯NN仅0.930，相当于达到给定精度目标所需数据量减少约5.4倍。闭环测试中，PINN+PID混合控制器在阶跃响应、多点跟踪和扰动抑制场景中均显著优于单独PID：稳定时间下降60%，跟踪均方根误差（RMSE）下降69%，峰值扰动偏差下降74%。全部结果基于模拟，物理硬件验证留待未来。论文发表在《Sensors》。
**主要关键技术方法**
（1）**残差校正架构**：将冻结的单节点能量平衡模型（参数固定）直接嵌入网络输出，作为基线；可训练的全连接神经网络（四层，宽度[128,128,128,64]，tanh激活，约76,000参数）仅学习残差。初始化输出层权重接近零，使未训练模型退化为物理基线。避免了传统PINN中物理损失与数据损失梯度冲突的问题。（2）**时间滞后特征**：在输入向量中加入过去0.5秒的两个冷侧温度与TEC电流样本（共4维），使网络能够间接推断未测量的陶瓷层和热端温度，从而将系统的可观测子空间从单维提升至三维。该设计使得所有模型的R2从约0.77跃升至0.993以上。（3）**混合前馈-反馈控制器**：通过二分法数值反转残差校正模型，得到前馈电流；根据当前跟踪误差动态调整前馈与反馈权重（大误差时PID主导，小误差时前馈主导）。数据生成采用三节点TEC模拟器，包含温度依赖的材料特性（塞贝克系数、热导、电阻）和高斯测量噪声（σ=2 mK），共12,200个样本（80%训练，20%验证）。
**研究结果**
**5.1 代理模型精度**
验证集上，所有模型（PINN、物理特征增强NN、纯NN）在完整数据集（9,700训练样本）下均达到R2=0.993。纯NN略优于PINN，说明当数据充分时，时间滞后特征已足以消除隐藏状态歧义，物理基线的归纳偏置不再提供额外增益。
**5.2 数据效率分析**
在3%至100%训练预算的扫描中，PINN在数据稀缺条件下的优势显著：3%预算（293样本）时，PINN的R2=0.966（10次随机种子均值，标准差0.006），纯NN仅0.930（标准差0.025）。PINN的误差（MSE）比NN低约51%，且种子间离散度约小4倍。达到R2=0.9658精度目标，PINN需293样本，NN需约1,592样本（线性插值），数据效率提升约5.4倍。在20%预算时PINN已接近全数据性能（R2=0.9891）。
**5.3 时间滞后特征的作用**
移除所有滞后特征后，所有模型（PINN、PhysFeat、纯NN）的R2均饱和于0.77左右，且无法通过增加容量或调整训练提升。这表明该上限源于信息论极限：三节点系统有两个隐藏状态（陶瓷层和热端温度），不同内部配置可产生相同的(T,u)对却对应不同的导数，单值映射本身不存在。加入两个滞后快照（间隔0.5 s）后，所有模型R2升至0.99以上，说明观测性而非模型架构是限制因素。
**5.4 控制性能**
PINN+PID在阶跃响应（25 °C→27 °C）中稳定时间为7.2 s（单独PID为18.3 s），过冲从160 mK降至30 mC，稳态误差2.3 mK（满足±10 mK的100 GHz DWDM要求）。多点跟踪（四步设定值变化）中，PINN+PID的跟踪RMSE为58.3 mK，比PID的186.4 mK改善69%。扰动抑制（±0.4 A电流脉冲）中，PINN+PID的峰值偏移1.8 mK（PID为6.8 mK），恢复时间6.5 s（PID为16.5 s）。物理分支能在同一控制周期感知电流变化并更新热注入估计，前馈路径在PID积分器积累误差之前即开始补偿。
**讨论与结论**
讨论部分指出，传统PINN（将物理残差加入损失）的精度反而不如纯NN，因为单节点模型与三节点系统存在大失配（独立物理R2≈-0.70），两损失项梯度冲突。将物理模型嵌入网络结构比通过损失惩罚更有效。输入设计（滞后特征）对性能的影响远超模型架构选择，观测性是最关键的约束。物理先验在数据稀缺时帮助最大，在数据充足时优势消失。局限包括：所有结果基于模拟，未考虑接触电阻漂移、焊料蠕变、湿度暴露等现场因素；单节点模型参数离线固定，未联合训练；集总节点模型忽略空间分布热流梯度和界面现象。结论强调，冻结的物理基线避免了梯度冲突，时间滞后特征解决了部分可观测性。实际工程价值在于数据效率提升约5.4倍，闭环性能指标满足DWDM要求。硬件验证是未来优先级，后续方向包括在线自适应、多通道封装扩展以及放松冻结系数约束。
