第54章 控制AI（2/2）

“开始运行。”

这一版的控制ai是直接使用的常规偏滤器的控制ai作为基础，不过常规偏滤器的磁场环境相比螺旋偏滤器的磁场环境要简单太多了。

模擬器內的反应堆开始运行起来，很快便进入了额定运载状態。

只见两侧绿色的数据曲线各自轻轻的跳动著，丝毫不知道即將要到来的『危机』。

5秒后，磁场均匀性偏差突破了0.5%，数据曲线已经变红。

2秒后，靶板热流密度突破10mw/m2，数据曲线红得发紫。

0.5秒后，屏幕上播放了一个爆炸的动画。

虽然早有准备，但是这个离谱的从运行到崩溃的『效率』还是让张阳有些绷不住。

调整了一下ai的逻辑后继续试运行。

很快一下午就过去了，改的有些头昏脑涨的张阳摇了摇头停止了继续实验。

把全程的数据导出一份发给了何百枝，然后张阳便带著数据离开了计算机室。

目前控制ai的表现只能用灾难来形容，根本无法使用。

看来自己目前的水平，想在常规控制ai的基础上进行改进，是有些异想天开了。

先去餐厅补充了一下能量，张阳一头扎进许久没来的图书馆里。

自己现在信息技术等级只有1级，想要单枪匹马的从头开始搭建一个控制ai模型確实有些天方夜谭。

现在只能先恶补一波ai知识再说了。

控制ai的本质是构建从感知到决策，再从决策到执行，最终反馈出结果的闭环能力。

而对於螺旋偏滤器来说，每个环节都比常规偏滤器要复杂的多。

感知层还好说，现有的高精度的数据採集已经很成熟了，可以直接拿来就用。

而整个流程中，最难最复杂的那就一定是决策了。

决策的第一步，就是把感知层收集到的各种杂乱冗余的原始数据进行预处理。

先通过数据清洗去掉异常值和平滑噪声，再从剩余的数据中提炼出控制相关的特徵数据。

並且將数据转化为便於ai识別的变化率。

比如氦灰的浓度值，可將浓度值的变化率標记为主要控制特徵，每次识別到快速上升时，则迅速进行干预。

然后第二步就来到了ai的思考框架，而这步的难点便是如何平衡『稳定性』和『適应性』。

想要处理如此复杂的系统，靠单一的方法是远远不够的，必须要混合经典控制理论和智能算法。

经典控制理论適合线性的有確定性的系统，用於基础控制，和预设不可逾越的绝对安全边界。

主要用来防止决策失误导致的设备损坏和安全事故。

而智能算法则適合非线性的、复杂耦合系统，通过强化学习来进行多参数联动预测。

这样才能让控制ai具有灵活决策的能力，该激进的时候就激进，该保守的时候就保守。

目前常规控制ai就是卡在这个地方，发现异常后根本无法做出正確的决策，才会在不到十秒的时间內就迅速超载了。