csrss占用大量gpu

本文来自西湖大学人工智能系的吴泰霖团队。该团队在复杂系统控制领域取得了最新研究成果。研究背景是，在科学研究、工程实践以及具身智能等诸多领域，系统控制问题都有着广泛的应用。在这些场景中，高效闭环控制是核心性能要求。例如，机器人在复杂环境中执行任控制任务，必须对环境变化做出即时反应，这就对控制系统提出了更高的要求。吴泰霖团队针对这一问题提出了一种基于扩散模型的闭环控制方法CL-DiffPhyCon。该论文最近被人工智能领域的顶级会议ICLR 2025接收。

CL-DiffPhyCon框架通过异步并行去噪技术，显著提升了控制效率和效果，实现了高效闭环控制。论文标题为“CL-DiffPhyCon: Closed-loop Diffusion Control of Complex Physical Systems”。论文链接和代码地址已附在文中。

一、研究背景

系统的控制问题在很多领域都有广泛的应用，如科学研究、工程实践以及具身智能等。高效闭环控制是这些场景中的核心性能要求。例如，工业制造、航空航天、能源生产等领域的系统控制任务，同样面临着如何实现高效闭环控制的难题。在过往的研究中，涌现出了许多控制方法，包括传统控制方法以及近年来的深度学习、强化学习、模仿学习等。近期的研究表明，基于扩散模型的方法在复杂物理系统控制中表现出色。

现有的扩散控制方法在应用到闭环控制时，会遇到控制效果和效率难以平衡的缺陷。吴泰霖团队提出的CL-DiffPhyCon框架针对这一问题进行了改进。

二、本文主要贡献

针对现有扩散控制方法在闭环控制中遇到的上述问题，本论文提出了CL-DiffPhyCon框架，能够根据环境的实时反馈生成控制信号，实现了高效的闭环控制。该方法的核心思想是将扩散模型中的物理时间步和去噪过程解耦，允许不同的物理时间步呈现不同的噪声水平，从而实现了控制序列的高效闭环生成。论文在一维Burgers方程控制和二维不可压缩流体控制两个任务上，验证了CL-DiffPhyCon的显著结果。

三、CL-DiffPhyCon 方法介绍

该方法考虑的是物理时间窗口较小的情况。关键想法是：将扩散模型的模型时间窗口内的物理时间和扩散（去噪）过程解耦，越早的物理时间赋予越快的去噪进度，也就是越低的噪声程度。这样一来，既实现了不同物理时间步的并行采样，提高了采样效率；又能让更早采样到的控制信号所产生的环境反馈用于后续物理时间的控制信号采样，实现了闭环控制。

四、实验结果

在一维Burgers方程控制和二维烟雾间接控制两个实验中，CL-DiffPhyCon的表现均优于其他对比方法。在采样效率方面，CL-DiffPhyCon也实现了显著的加速。

五、总结与展望

CL-DiffPhyCon为高效闭环控制提供了一种创新解决方案，具有优良的控制效果和高效的采样效率。未来可以考虑在训练过程中融入环境实时反馈，探索多样的控制策略。该方法的应用前景广阔，不仅适用于复杂物理系统控制任务，在机器人控制、无人机控制等领域也具有应用潜力。

参考文献：

[略]