美國約翰霍普金斯大學博士申請攻略(Prof. Drgoňa)

今天我們(men) 將帶大家深入解析約翰霍普金斯大學 土木工程係的博士生導師Prof.Drgoňa，通過這樣的“方法論”，讓大家學會(hui) 如何從(cong) 了解一個(ge) 導師開始，到後期更好地撰寫(xie) 套磁郵件及其他文書(shu) 。

研究領域解析和深入探討

教授的研究聚焦於(yu) 可微分編程（Differentiable Programming）與(yu) 約束優(you) 化控製的交叉領域，其技術框架圍繞三個(ge) 支柱展開：

1. 可微分預測控製（Differentiable Predictive Control, DPC）：通過端到端可微分架構實現動態係統的最優控製策略學習，突破傳統模型預測控製（MPC）的實時計算瓶頸。核心創新在於將控製器的梯度反向傳播與係統物理約束相結合，實現離線策略學習與在線快速部署。
2. 動態係統建模與仿真：開發基於深度馬爾可夫模型（Deep Markov Models）的序列建模工具，解決非線性係統（如建築能源係統、電網）的狀態空間辨識難題。
3. 神經優化器（Neuro-Optimizer）：通過PyTorch生態構建開源庫Neuromancer，支持約束優化問題的自動微分求解，已在能源係統調度中實現10倍加速。

技術特色：

1. 物理信息嵌入：在神經網絡架構中硬編碼質量/能量守恒定律，確保模型遵循物理規律；
2. 實時安全約束：通過Hoeffding不等式推導出閉環穩定性的概率保障，解決黑箱模型可信度問題；
3. 跨尺度建模：聯合學習快變過程（如電力電子開關）與慢變過程（如建築熱慣性）的多時間尺度動態。

精讀教授所發表的文章

1. Learning Constrained Parametric Differentiable Predictive Control Policies With Guarantees(IEEE TSMC, 2024)

核心貢獻：提出首個(ge) 具備理論安全保障的DPC框架，通過自動微分計算MPC目標函數與(yu) 約束條件的靈敏度，實現策略梯度直接優(you) 化。實驗表明，該方法在非線性倒立擺控製中相比顯式MPC減少90%內(nei) 存占用，且跟蹤誤差降低12%。

技術突破：引入概率約束滿足指標，基於(yu) Hoeffding不等式推導出閉環穩定性邊界。

2. Constructing Neural Network Based Models for Simulating Dynamical Systems(ACM CSUR, 2023)

領域綜述：係統性梳理動態係統數據驅動建模的四大範式——ResNet式殘差學習(xi) 、神經常微分方程（Neural ODE）、哈密頓神經網絡（HNN）、記憶增強網絡（MANN），指出當前多物理場耦合建模與(yu) 長期預測漂移為(wei) 關(guan) 鍵挑戰。

應用啟示：推薦將Transformer架構引入時空動態建模，通過自注意力機製捕捉跨尺度相互作用。

3. Differentiable Predictive Control: Deep Learning Alternative to Explicit MPC(J. Process Control, 2022)

方法創新：在Raspberry Pi嵌入式平台驗證DPC的實時性，相比顯式MPC將在線計算時間從(cong) 15ms縮短至0.8ms，適用於(yu) 微電網頻率調節等毫秒級場景。

實驗設計：基於(yu) 未知非線性係統的直接測量數據訓練策略，無需監督控製器介入，突破模仿學習(xi) （Imitation Learning）的數據依賴局限。

4. On the Stochastic Stability of Deep Markov Models(NeurIPS, 2021)

理論突破：首次建立深度馬爾可夫模型的隨機穩定性判據，通過李雅普諾夫函數證明隱狀態軌跡的有界性，為(wei) 醫療設備控製等安全敏感場景提供理論保障。

算法優(you) 化：提出噪聲注入正則化技術，將長期預測均方誤差降低23%。

教授的學術地位

1.開源生態領軍(jun) 者：

主導開發的Neuromancer庫已成為(wei) PNNL最受歡迎開源項目，GitHub星標數超2.6k，被斯坦福智能電網實驗室、NASA Ames研究中心等用於(yu) 能源係統優(you) 化。

2.工業(ye) 界轉化標杆：

在Pacific Northwest National Laboratory（PNNL）期間，其DPC技術被集成至GridOPTICS®軟件套件，支撐美國西北部電網10%可再生能源滲透率提升。

3.學術網絡樞紐：

擔任IEEE Transactions on Control Systems Technology副主編，並作為(wei) 核心成員參與(yu) 美國能源部“自主能源係統”路線圖製定。其提出的“可微分優(you) 化”概念被MIT動態係統與(yu) 控製組、ETH Zurich自動控製實驗室納入課程體(ti) 係。

4.榮譽與(yu) 認可：

2024年受邀在NAE Grainger工程前沿研討會(hui) 做主題報告，是該會(hui) 議曆史上最年輕的受邀學者之一。

有話說

1. 可微分控製的前沿延伸

• 量子優化加速：將DPC與量子退火算法結合，設計混合經典-量子控製策略，解決高維非凸優化問題（如城市微網多目標調度）；
• 元學習自適應：開發基於Model-Agnostic Meta-Learning（MAML）的DPC框架，實現跨異構能源係統的零樣本策略遷移。

2. 科學機器學習(xi) 的交叉創新

• 多智能體博弈建模：將Mean-Field Game理論引入建築群協同節能控製，通過Neuromancer實現納什均衡的分布式求解；
• 數字孿生可信增強：結合符號回歸（Symbolic Regression）與神經網絡，構建可解釋的物理約束數字孿生體，滿足核電等高風險場景的監管要求。

3. 新型應用場景探索

• 太空能源係統：與JHU應用物理實驗室合作，開發深空探測器自主能源管理DPC策略，解決光照間歇性與設備壽命的權衡問題；
• 生物醫學控製：將深度馬爾可夫模型應用於閉環麻醉給藥係統，通過隨機穩定性理論確保患者生理參數安全邊界。

博士背景

Bridge，985土木工程學院博士生，專(zhuan) 注於(yu) 橋梁工程和抗震結構設計研究。擅長運用高性能計算和人工智能技術，探索新型材料和結構在橋梁工程中的應用。在研究大跨度懸索橋抗風性能優(you) 化方麵取得重要突破。曾獲國家獎學金和中國土木工程學會(hui) 優(you) 秀青年工程師獎。研究成果發表於(yu) 《Journal of Structural Engineering》和《Engineering Structures》等頂級期刊。