《CPSS Transactions on Power Electronics and Applications》：Reforming Power Electronics Education in the Era of AI: A Pilot Course by the University of Arkansas Power Group [Expert View]
编辑推荐：
随着人工智能（AI）重塑现代社会，电力电子（PE）扮演着双重角色：一方面为AI时代提供电力支撑，另一方面其自身也正日益被AI所变革。然而，当前的电力电子教育通常未将AI作为系统性的工程工具包引入，而通用AI教育也无法简单移植到电力电子情境中。为弥补这一教育鸿沟
随着人工智能（AI）重塑现代社会，电力电子（PE）扮演着双重角色：一方面为AI时代提供电力支撑，另一方面其自身也正日益被AI所变革。然而，当前的电力电子教育通常未将AI作为系统性的工程工具包引入，而通用AI教育也无法简单移植到电力电子情境中。为弥补这一教育鸿沟，阿肯色大学推出了一门首创的研究生课程《电力电子人工智能基础》，该课程通过vibe编程、动手实现和项目式学习，将AI基础与电力电子特定应用相结合。为将影响拓展至课堂之外，该课程还辅以开源代码材料、算法选择器Web应用和定制化AI智能体作为支撑。其传递的信息简单而紧迫：培养具备AI素养的电力电子工程师应成为整个电力电子领域共同的优先事项。
电力电子（PE）与人工智能（AI）之间存在深刻的互惠关系：PE为AI提供电能支撑，而AI则加速PE在建模、设计、控制与维护中的技术演进。然而，当前PE课程很少将AI作为系统化工程工具包引入，通用AI教育又因PE的硬件原生属性、特殊数据模态（如半结构化波形、场分布、图结构）以及物理一致性约束而无法直接移植。这一教育鸿沟促使阿肯色大学（UA）电力电子课题组率先开展了一项教学研究——在2025年秋季学期开设研究生课程《电力电子人工智能基础》。该课程由Xinze Li博士主讲，Alan Mantooth博士领导支持，是已知首个面向PE的AI基础研究生课程。研究人员通过课程实施、项目评估与学生反馈，验证了以PE应用为中心重新设计AI教育的可行性，并构建了配套开源资源。论文发表于《CPSS Transactions on Power Electronics and Applications》。
为开展研究，作者采用的主要关键技术方法包括：引入vibe编程，利用生成式AI工具（如GPT模型、Cursor、Claude Code）支持“零代码”或低代码AI实现；采用概念驱动与循证学习，强调理解算法原理并通过动手实验比较算法、分析权衡；实施项目式学习，期中以磁芯损耗建模黑客松挑战形式考察学生，期末要求学生构建定制化PE-GPT智能体；探索互动编码课，在课堂上逐步完成Jupyter Notebook实验。研究样本为2025年秋季学期选课的14名正式学生（3名硕士、11名博士）和2名旁听生，其中11人具有PE背景，其余来自网络安全、功率半导体器件与建模、电子设计自动化领域，多数学生此前无AI基础。
研究结果按论文各个部分归纳如下：
一、电力电子AI教育鸿沟（An Educational Gap in AI for Power Electronics）。论文通过分析指出，AI在PE中的部署面临数据稀缺、实时性约束等独特难题，而传统PE教育与通用AI教育均无法满足培养AI就绪型PE工程师的需求，因此必须建立专门桥梁。
二、UA的课程努力（Education Efforts at the UA: Fundamentals of AI for Power Electronics）。研究人员在UA开设首门研究生课程，学生构成跨学科，课程目标明确为培养PE劳动力而非AI工程师。启动该课程的直接依据是PE领域日益增长的AI技能需求。
三、主要理念（Main Philosophies）。课程将AI视为工程工具集而非纯算法学科；首次将vibe编程引入PE教育；强调概念驱动、循证学习、项目式学习与互动编码，以降低无AI背景学生的入门障碍。
四、课程大纲概览（A Glimpse of the Course Syllabus）。16周大纲从AI基础（元启发式算法、机器学习、集成学习、物理信息机器学习、强化学习、智能体AI）推进到PE生命周期各阶段应用，涵盖设计、控制、维护等主题。
五、课程成果与学生反馈（Course Outcome and Student Feedback）。在期中磁芯损耗建模测试中，一名学生将Steinmetz方程的R
2从0.926（平均绝对百分比误差超过15%）提升至0.99（误差低于4.5%）。期末项目中，学生成功构建了用于PCB变压器设计、电感设计、双有源桥变换器设计、磁性元件建模及双脉冲测试自动化等任务的PE-GPT智能体。调查显示，学生增强了将AI应用于PE问题的信心，认为课程填补了当前PE教育的重要空白，并改变了对生成式AI工具的态度。
六、可用补充材料（Available Supplementary Materials and Suggested Usage）。为支持自主学习与课堂采用，研究人员开发了开源代码材料、算法选择器Web应用和定制AI智能体三类资源，并针对不同用户目标给出了使用建议。
七、可用资源（Available Resources）。开源GitHub仓库包含超过10,000行代码、26个Jupyter Notebook、6个PE数据集及24种AI算法；算法选择器Web应用通过树形流程根据PE任务特征推荐算法；定制AI智能体则充当学习者与资源之间的接口，提供个性化引导。
八、材料使用快速指南（A Quick Guide for Using These Materials）。用户可根据需求选择不同入口：快速获取算法推荐可使用Web应用或AI智能体；快速上手实践可阅读案例型Notebook；系统学习则建议按GitHub仓库的完整顺序推进。
九、结论与展望（Conclusion and Outlook）。作者讨论认为，AI正融入PE系统的建模、设计、控制与维护全过程，PE教育必须主动整合AI。对学生、教育者、产业界和决策者分别提出呼吁：学生应把握时机学习AI；教育者应在多个层面渐进融入AI教学；产业界应推动在职培训与开源数据；政府应设立专项资助与联盟，并关注K-12早期培养。
研究结论部分的原文翻译如下：人工智能正在为求解电力电子问题开辟新视角，并在电力电子生命周期的各个阶段变得日益重要。为了弥合当前电力电子教育很少将AI作为系统化工程工具包引入的鸿沟，阿肯色大学于2025年秋季率先开设了关于电力电子AI基础的研究生课程，将AI概念教学、vibe编程和项目式学习与电力电子应用相结合。早期成果令人鼓舞：几乎没有AI背景的学生开发了实用的AI模型和定制化的生成式AI智能体（PE-GPT），用于电力电子设计自动化。除课程外，Jupyter Notebook形式的开源代码材料、算法选择器Web应用和定制AI智能体也已开发完成，以支持更广泛的学习和应用。
