待验证50% 置信事实精确时间

本研究通过挖掘NMPC问题的时序结构重新设计求解器架构，使网络规模不再依赖于预测时域的长度

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

时序分解加速非线性MPC：可扩展学习型求解器LISCO新突破

涉及实体

NMPCconcept 时序分解concept

相关事实

待验证自注意力机制解决了RNN架构在处理长序列时的梯度消失问题，并天然支持大规模并行计算69% 相似待验证MPC在每个时间步求解有限时域优化问题并显式处理硬约束，这是端到端神经网络难以可靠保证的特性67% 相似待验证执行分区中NPU通常只加速有限的标准算子集，遇到不支持的算子时框架会自动回退到CPU执行，引入数据搬运延迟67% 相似待验证NNUE利用棋盘变化的稀疏性只更新受影响的网络激活值，推理速度比传统深度神经网络快两个数量级，可在CPU上实时运行65% 相似待验证新求解器能够处理比单体式LISCO更大规模的问题，证明时序分解解除了时域瓶颈65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001335

API

curl https://kongchang.com/api/v1/knowledge/claims/1001335

MCP

get_claim(id=1001335)