PidWindowedResidualDiagnostics Delivery Note【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结论PidWindowedResidualDiagnostics是 PID 模型辨识后的窗口化残差诊断算子。它不是新的模型拟合算子而是模型可信度检查和上线质量门禁算子在actual与predicted已经得到后按滑动窗口检查每段残差是否白噪声、是否存在局部漂移、周期振荡或分段模型失配。解决什么问题全局残差诊断只能给出整段数据的平均拟合质量可能出现这种情况整段 RMSE/fit percent 看起来合格但某几个时间段已经明显漂移或振荡。窗口化诊断把每条回路拆成多个时间窗口对每个窗口独立输出metrics[B, W, 8] autocorr[B, W, max_lag]这样工程侧可以定位到具体窗口而不是只看到一个全局平均结论。典型使用场景PID 模型辨识后检查 FOPDT/IPDT/SOPDT 模型是否在整段数据上稳定有效。在线预测或数字孪生流水线中对 device-resident 的actual/predicted结果做 NPU 侧质量门禁。对批量回路做巡检找出局部漂移、周期性残差、自相关过强或局部拟合失配的回路和时间段。为后续重辨识、模型降级、报警或人工复核提供窗口级证据。指标输出每个窗口输出 8 个指标顺序与PidResidualDiagnostics保持一致0 mean_residual 1 std_residual 2 mae 3 rmse 4 max_abs_residual 5 fit_percent 6 durbin_watson 7 ljung_box_q同时输出autocorr[B, W, max_lag]用于查看残差在多个 lag 上的相关性。本次交付op_host/pid_windowed_residual_diagnostics_host.hop_host/pid_windowed_residual_diagnostics_host.cppop_host/pid_windowed_residual_diagnostics_def.cppop_kernel/pid_windowed_residual_diagnostics_kernel.cppexamples/test_aclnn_pid_windowed_residual_diagnostics.cpptests/benchmark_pid_windowed_residual_diagnostics_aclnn.cppCMakeLists.txtREADME.mddocs/algorithm.mddocs/api_reference.mddocs/benchmark.md验收结果本地 Python reference7 passednode202 / Ascend910B3CANN build: PASSED ACLNN smoke: PASSEDSmoke 输出PidWindowedResidualDiagnostics smoke windows2 w0_mean0 w0_mae0.5 w0_rmse0.707107 w0_dw1.5 w0_autocorr[0, -0.5] PASSEDBenchmark 结果B64 N2048 windows15 window256 stride128 lag16 cpu_64T_ms4.69239 npu_kernel_ms0.0470184 npu_resident_e2e_ms0.0727348 metric_max_abs7.62939e-06 autocorr_max_abs0 B128 N4096 windows15 window512 stride256 lag32 cpu_64T_ms6.07111 npu_kernel_ms0.0818743 npu_resident_e2e_ms0.195025 metric_max_abs7.62939e-06 autocorr_max_abs0边界说明当前resident_e2e假设actual/predicted已在 Device仅统计 kernel 和输出 D2H。如果输入来自 Host还需要补 cold H2D 端到端数据。当前 kernel 是 GlobalTensor 标量访问原型后续可以继续做 UB staging 和 lag 维度访存优化。极小窗口不是当前主推荐场景容易被 launch 和调度开销主导。【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