PidResidualDiagnostics

【免费下载链接】mat-chem-sim-pred面向工业领域，聚焦计算仿真、预测两大核心场景，构建面向流程工业"机理+数据"双轮驱动的领域计算层，推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred

功能说明

PidResidualDiagnostics面向 PID 模型辨识后的模型有效性检查。算子对actual[B, N]和predicted[B, N]计算残差基础指标、多 lag 自相关和 Ljung-Box 风格白噪声统计量：

residual = actual - predicted metrics[B, 8], autocorr[B, max_lag]

该方向服务于“模型是否足够可信、残差是否仍有结构性动态”的工程问题。相比闭环递推，它主要是批量归约和相关性扫描，适合作为 NPU 侧模型辨识/评分流水线的后处理。

残差和误差的关系

在本算子里，残差采用固定符号约定：

residual[i] = actual[i] - predicted[i]

其中actual是实测过程输出，predicted是辨识模型给出的预测输出。工程上常说的“误差”可以泛指实测值和预测值之间的差异；“残差”则特指在已经完成模型拟合之后，样本点上的actual - predicted。因此残差可以看作模型辨识场景下的一种预测误差。

这个符号约定会影响mean_residual的解释：如果mean_residual > 0，说明实测值整体高于预测值，模型平均预测偏低；如果mean_residual < 0，说明模型平均预测偏高。mae、rmse和max_abs_residual使用绝对值或平方，不受符号方向影响。

输入输出

metrics顺序：

0 mean_residual 1 std_residual 2 mae 3 rmse 4 max_abs_residual 5 fit_percent 6 durbin_watson 7 ljung_box_q

指标含义：

常见使用方式是先看fit_percent/rmse判断误差总量，再看mean_residual判断偏差方向，最后结合durbin_watson、ljung_box_q和autocorr判断残差是否还存在可预测的动态结构。若残差诊断不通过，可以拒绝该辨识结果、扩大候选网格、切换 FOPDT/IPDT/SOPDT 模型族、重选数据窗口，或把后续 PID 参数整定降级为人工审核/保守策略。

当前定位

该算子是本次正式提交的模型诊断算子，用于 FOPDT/IPDT/SOPDT 模型辨识后的 device-side 残差质量检查。它与 fit 算子中的 SSE 不重复：SSE 只用于候选模型的最小二乘选优，残差诊断进一步判断误差是否有偏、是否自相关、是否接近白噪声，从而决定模型是否可直接用于后续 PID 整定。

node202 验证结论

当前版本已在 node202 / Ascend910B3 上完成 CANN 编译、ACLNN smoke 和 benchmark。中大规模下 kernel-only 与 e2e 均相对 CPU 64 线程有稳定收益，适合作为 NPU resident 模型辨识流水线的后处理。

代表性结果：

详细记录见 benchmark 报告。

文档

• 算法说明
• API 说明
• benchmark 报告

【免费下载链接】mat-chem-sim-pred面向工业领域，聚焦计算仿真、预测两大核心场景，构建面向流程工业"机理+数据"双轮驱动的领域计算层，推动AI for Science在材料化学领域的深度应用。项目地址: https://gitcode.com/cann/mat-chem-sim-pred