// WHAT WE HAVE BUILT
以下不是规划，不是愿景——是 ThinkMachine 在选矿、冶金、生物制药等工业场景中已经完成的工程积累。每一项都经过现场真实场景验证。
DATASET CATEGORIES
类专有数据集已完成采集、治理与交叉分析
INDUSTRIES COVERED
个行业——渣选 · 铜精炼 · 生物制药
BATCH RUNS
数千批次真实工艺过程数据
COLD START
个样本即可完成冷启动参数辨识
// ACCUMULATED TECHNICAL DEPTH
层与层之间形成正反馈飞轮。我们每新增一个行业场景，通过模块复用 + 参数先验迁移，可以使下一次部署更快——边际成本递减，积累价值递增。
已构建覆盖选矿磨浮全流程、铜火法精炼烟气动力学、青霉素发酵过程的物理仿真能力。以渣选磨浮为例，包含 5 个基于第一性原理的物理模块：
理论仿真器本身不是难点，公式可以来自教科书。困难的是建立「标定飞轮」：每完成一个场景的标定，参数先验即沉淀为下一个同类场景的初始值——Geo-PHORCE 的 $N \le 20$ 冷启动正是这个飞轮的产物。
覆盖从 0.4 ms DEM 到班次级化验的完整时间尺度，横跨有色冶金（渣选 · 铜精炼）与生物制药（发酵）3 个行业，9 类数据资产已完成采集、治理与交叉分析。
渣选
功率、电流、给矿量、矿浆浓度、旋流器压力、溢流粒度
→ 状态观测器训练；Austin/Plitt 参数标定
渣选
小/中/大泡个数与面积、泡沫流速、泡沫层厚度
→ 泡沫分割；品位软测量
渣选
Cu/Fe/S/Zn/Au 品位、处理量、电耗、浓度、细度
→ 操作窗口发现；物料平衡；前馈信号筛选
渣选
丁黄药、J-622、六偏磷酸钠、硫酸铜、XRF 在线品位
→ 药剂动力学标定；控制规则建模
选矿
碰撞概率、床层密度、孔隙率、气含率
→ 浮选 $k(d_i)$ 标定；传递函数辨识
渣选
P80、回收率、精矿/尾矿品位、功耗、循环负荷
→ MPC 标定；RL 训练；扰动鲁棒性验证
渣选
Torque、Power、KineticEnergy
→ Morrell 功耗模型第一性原理验证
铜精炼
SO₂、O₂、CO、gas_pressure、process_stage、furnace_id
→ 氧化-还原切换点检测；Geo-PHORCE 冷启动验证
生物制药 · 发酵
CER、Fs、Penicillin 浓度、DO₂、pH、温度、菌体浓度
→ 批次过程轨迹预测；Geo-PHORCE 跨行业泛化验证
数据的价值不在数据文件本身，在于已完成的交叉分析结论，如「浓度-细度-处理量强耦合 $|\rho| > 0.7$」。这些结论是仿真器 + 统计分析 + 工艺知识联合推导的产物。
已验证的算法与量化证据：
物理方程是公开的。但将其正确嵌入数值求解器并在工业数据上验证，是非平凡的工程任务——例如 Semi-Implicit Euler 积分解决高破碎率下显式 Euler 的数值不稳定性，这类细节只能通过实际运行发现。
以下系统均为标准化产品模块，新场景部署时复用框架、仅替换配置与标定参数：
每套系统运行后持续积累该工厂的历史数据与标定结果，形成随时间增值的数字资产。这些资产同时反哺参数先验库，使同类设备的新部署冷启动更快。
已从产线日报、14 元素多产品交叉分析和全变量相关性检验中提取出一组反直觉的工艺结论，并固化为控制策略：
以上结论的具体数值与控制逻辑属于客户专属交付物，不在此公开。
// CORE PRODUCT — RUNTIME PLATFORM
Physics-informed Heterogeneous Operations Runtime for Cross-platform Engineering
面向国产异构算力（AMD ROCm / 海光 DCU）的 Physics AI 开发套件。参考 NVIDIA PhysicsNeMo 开源框架完成跨平台移植适配，提供从几何建模、约束定义到自动微分求解器的完整管线。全套代码已在曙光智算完成 ROCm/DTK 环境端到端验证。
Architectures
神经算子 & 图网络
PDE Benchmarks
求解基准案例
Method Categories
PINN · Neural Op · GNN
ROCm / DTK
曙光智算验证通过
Integrated Architectures
完整管线：几何建模 → 物理约束定义 → 自动微分求解器 → 训练/推理。在国产 GPU 上实现 PINN、Neural Operator、GNN 三类 Physics AI 方法的端到端闭环，消除对 CUDA 生态的硬依赖。
// THREE PARADIGMS COMPARED
|
机理模型 WHITE BOX |
数据驱动 BLACK BOX |
物理AI GREY BOX — OURS |
|
|---|---|---|---|
| 数据需求 | 无需数据，但需完整物理建模 | 依赖海量标注数据，极端工况数据稀缺 | $N \le 20$ 即可冷启动（Geo-PHORCE 已验证） |
| 泛化能力 | 理论可外推，但简化假设限制适用域 | 无法外推至训练分布外工况 | 守恒律保证结构外推，在线辨识适配新工况 |
| 分布漂移 | 不受影响（物理定律不变） | 原料/设备变更后模型失效 | 结构不变，仅辨识少量参数（如 $a_T, \alpha, d_{50c}$） |
| 实时闭环 | 无法实时——CFD/FEM 离线开环 | 推理快，但缺乏物理一致性 | 毫秒级闭环，简化模型 + 在线校正 |
| 跨设备迁移 | 需逐设备重新建模 | 需重新采集训练数据 | 方程模块复用 + 参数先验迁移 |
| 安全保证 | 可做离线分析，无实时约束 | 黑箱决策，无安全保证 | CBF 硬安全约束，决策可回溯至物理定律 |
| 可解释性 | 完全可解释 | 不可解释（统计相关性） | 完全可解释——每次决策回溯至物理方程 |
物理AI 取白盒的物理可解释性与安全性，取黑盒的实时性与自适应性，规避两者的结构缺陷。