今天我们将带大家深入解析约翰霍普金斯大学 土木工程系的博士生导师Prof.Drgoňa，通过这样的“方法论”，让大家学会如何从了解一个导师开始，到后期更好地撰写套磁邮件及其他文书。
研究领域解析和深入探讨
教授的研究聚焦于可微分编程（Differentiable Programming）与约束优化控制的交叉领域，其技术框架围绕三个支柱展开：
- 可微分预测控制（Differentiable Predictive Control, DPC）：通过端到端可微分架构实现动态系统的最优控制策略学习，突破传统模型预测控制（MPC）的实时计算瓶颈。核心创新在于将控制器的梯度反向传播与系统物理约束相结合，实现离线策略学习与在线快速部署。
- 动态系统建模与仿真：开发基于深度马尔可夫模型（Deep Markov Models）的序列建模工具，解决非线性系统（如建筑能源系统、电网）的状态空间辨识难题。
- 神经优化器（Neuro-Optimizer）：通过PyTorch生态构建开源库Neuromancer，支持约束优化问题的自动微分求解，已在能源系统调度中实现10倍加速。
技术特色：
- 物理信息嵌入：在神经网络架构中硬编码质量/能量守恒定律，确保模型遵循物理规律；
- 实时安全约束：通过Hoeffding不等式推导出闭环稳定性的概率保障，解决黑箱模型可信度问题；
- 跨尺度建模：联合学习快变过程（如电力电子开关）与慢变过程（如建筑热惯性）的多时间尺度动态。
精读教授所发表的文章
1. Learning Constrained Parametric Differentiable Predictive Control Policies With Guarantees(IEEE TSMC, 2024)
核心贡献：提出首个具备理论安全保障的DPC框架，通过自动微分计算MPC目标函数与约束条件的灵敏度，实现策略梯度直接优化。实验表明，该方法在非线性倒立摆控制中相比显式MPC减少90%内存占用，且跟踪误差降低12%。
技术突破：引入概率约束满足指标，基于Hoeffding不等式推导出闭环稳定性边界。
2. Constructing Neural Network Based Models for Simulating Dynamical Systems(ACM CSUR, 2023)
领域综述：系统性梳理动态系统数据驱动建模的四大范式——ResNet式残差学习、神经常微分方程（Neural ODE）、哈密顿神经网络（HNN）、记忆增强网络（MANN），指出当前多物理场耦合建模与长期预测漂移为关键挑战。
应用启示：推荐将Transformer架构引入时空动态建模，通过自注意力机制捕捉跨尺度相互作用。
3. Differentiable Predictive Control: Deep Learning Alternative to Explicit MPC(J. Process Control, 2022)
方法创新：在Raspberry Pi嵌入式平台验证DPC的实时性，相比显式MPC将在线计算时间从15ms缩短至0.8ms，适用于微电网频率调节等毫秒级场景。
实验设计：基于未知非线性系统的直接测量数据训练策略，无需监督控制器介入，突破模仿学习（Imitation Learning）的数据依赖局限。
4. On the Stochastic Stability of Deep Markov Models(NeurIPS, 2021)
理论突破：首次建立深度马尔可夫模型的随机稳定性判据，通过李雅普诺夫函数证明隐状态轨迹的有界性，为医疗设备控制等安全敏感场景提供理论保障。
算法优化：提出噪声注入正则化技术，将长期预测均方误差降低23%。
教授的学术地位
1.开源生态领军者：
主导开发的Neuromancer库已成为PNNL最受欢迎开源项目，GitHub星标数超2.6k，被斯坦福智能电网实验室、NASA Ames研究中心等用于能源系统优化。
2.工业界转化标杆：
在Pacific Northwest National Laboratory（PNNL）期间，其DPC技术被集成至GridOPTICS®软件套件，支撑美国西北部电网10%可再生能源渗透率提升。
3.学术网络枢纽：
担任IEEE Transactions on Control Systems Technology副主编，并作为核心成员参与美国能源部“自主能源系统”路线图制定。其提出的“可微分优化”概念被MIT动态系统与控制组、ETH Zurich自动控制实验室纳入课程体系。
4.荣誉与认可：
2024年受邀在NAE Grainger工程前沿研讨会做主题报告，是该会议历史上最年轻的受邀学者之一。
有话说
1. 可微分控制的前沿延伸
- 量子优化加速：将DPC与量子退火算法结合，设计混合经典-量子控制策略，解决高维非凸优化问题（如城市微网多目标调度）；
- 元学习自适应：开发基于Model-Agnostic Meta-Learning（MAML）的DPC框架，实现跨异构能源系统的零样本策略迁移。
2. 科学机器学习的交叉创新
- 多智能体博弈建模：将Mean-Field Game理论引入建筑群协同节能控制，通过Neuromancer实现纳什均衡的分布式求解；
- 数字孪生可信增强：结合符号回归（Symbolic Regression）与神经网络，构建可解释的物理约束数字孪生体，满足核电等高风险场景的监管要求。
3. 新型应用场景探索
- 太空能源系统：与JHU应用物理实验室合作，开发深空探测器自主能源管理DPC策略，解决光照间歇性与设备寿命的权衡问题；
- 生物医学控制：将深度马尔可夫模型应用于闭环麻醉给药系统，通过随机稳定性理论确保患者生理参数安全边界。
博士背景
Bridge，985土木工程学院博士生，专注于桥梁工程和抗震结构设计研究。擅长运用高性能计算和人工智能技术，探索新型材料和结构在桥梁工程中的应用。在研究大跨度悬索桥抗风性能优化方面取得重要突破。曾获国家奖学金和中国土木工程学会优秀青年工程师奖。研究成果发表于《Journal of Structural Engineering》和《Engineering Structures》等顶级期刊。
【竞赛报名/项目咨询+微信：mollywei007】
