基于深度学习的物理实验自动优化方法

本发明公开了基于深度学习的物理实验自动优化方法，包括如下步骤：S1、采集多源实验数据并预处理，构建不同分辨率的实验输入张量；S2、构建特征金字塔网络，输出多尺度融合特征图；S3、采用鹈鹕优化算法优化特征金字塔网络结构参数；S4、将优化后的特征金字塔网络应用于实验输入数据，生成实验状态特征向量；S5、将实验状态特征向量输入实验预测控制模型，输出控制参数；S6、根据控制参数控制实验执行装置，采集反馈数据；S7、将反馈数据与控制模型输出比对计算误差，更新适应度函数并反馈至优化算法。本发明通过构建特征金字塔网络与引入鹈鹕优化算法，实现了物理实验过程中的多源状态感知、自适应结构优化与智能控制决策的闭环自动优化。