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。输入输出名称类型Shape说明actualfloat32[B, N]实测输出predictedfloat32[B, N]模型预测输出metricsfloat32[B, 8]残差诊断指标autocorrfloat32[B, max_lag]residual autocorrelation lag 1..max_lagmetrics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指标含义指标含义工程解释mean_residual残差均值越接近 0 越好明显偏正/偏负表示模型存在系统偏差std_residual残差标准差描述残差波动大小越小表示预测误差越稳定mae平均绝对误差平均每个采样点偏差多少直观且对尖峰不如 RMSE 敏感rmse均方根误差对大误差更敏感若明显大于 MAE通常说明存在尖峰误差max_abs_residual最大绝对残差最坏采样点偏差用于发现局部异常或突变fit_percent拟合优度百分比越高越好接近 100 表示模型解释了大部分实际变化低于 0 表示比均值预测还差durbin_watson一阶残差自相关诊断接近 2 通常较好小于 2 多表示正自相关残差连续同向模型可能漏掉慢动态或滞后ljung_box_q多 lag 白噪声统计量越小越好过大说明残差仍有结构性相关模型没有解释干净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BNmax_lagCPU 64T msNPU kernel msNPU e2e mse2e/CPU64T1281024160.4689490.0920590.4426511.06x2561024321.399990.05525260.3597823.89x5122048322.333110.0757710.9575732.44x10242048648.628030.06830551.851334.66x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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考