Ingot

优化器

适用问题

Ingot 针对昂贵、带噪声、少样本、多目标、有约束的序贯实验。光学镜片模压符合这些条件：一次实验有材料、设备和检测成本，过程存在波动，参数维度有限，目标和安全指标可以量化。

为什么不是 LLM 或深度网络

  • LLM 没有校准的数值不确定性，不负责生成工艺参数；
  • 深度网络通常需要远多于单个研发项目能够提供的数据；
  • GP 能在小样本下同时给出预测均值和不确定性；
  • 贝叶斯优化能使用不确定性权衡探索与利用。

LLM 只适合解释、检索和把工程师意图转成结构化草案，数值决策由确定性优化代码完成。

两阶段代理模型

质量不仅取决于设定值，还取决于设备真正实现的轨迹：

控制设定 x
  ├─ GP₁: x → 真实过程特征 z
  └─ GP₂: [x, z] → 质量目标 y 与安全结果 c

训练时 GP₂ 使用实测过程特征。评估新配方时先由 GP₁ 预测轨迹特征，再输入 GP₂。这比只用设定值更接近模压过程。

当前实现使用共同存在于全部训练观察中的过程特征，避免缺失列被隐式填充。

目标

支持：

  • 小于等于规格；
  • 大于等于规格；
  • 目标值 ± 容差；
  • 合格区间；
  • 多目标权重。

多目标情况下，优化器把规格归一化效用送入 qLogNEHVI，寻找受约束 Pareto 前沿的增量。

约束

参数约束

变量上下界和线性 <= / >= 约束在候选生成阶段过滤。

结果约束

裂纹率、残余应力或设备结果等约束作为额外 GP 输出，并进入采集函数。安全关键约束还要求：

P(结果满足边界 | 当前数据) ≥ 最低安全概率

不满足阈值的候选不会返回。

冷启动

  • 没有结果安全约束时，使用 Sobol 空间填充点；
  • 有安全结果约束时，必须已有安全基线；
  • 冷启动点限制在安全基线附近的信任区域；
  • 三条及以上观察后切换到 BoTorch GP 优化。

待执行实验

Planned、Approved 和 Running 实验中尚未形成观察的参数会作为 X_pending 传入采集函数，并从候选集合排除。这防止多次点击或并行执行产生重复实验。

无状态协议

优化器不保存 campaign。每次请求包含：

  • 变量、目标和约束；
  • 全部有效观察；
  • 待执行点；
  • 批量大小和随机种子。

响应包含推荐参数、目标预测、约束预测、可行概率、采集值、模型版本和理由。Platform 保存完整快照和结果。

当前限制

  • 过程特征代理目前使用独立多输出 GP 均值，没有传播完整轨迹后验到质量模型；
  • 95% 区间基于 GP 后验近似，不等同于现场保证；
  • 未完成跨产品多任务 GP；
  • 物理特征存在，但经真实数据标定的灰盒先验均值尚未完成；
  • 必须通过真实回放检查校准、遗憾和到规格实验数。