文章编号：327 / 更新时间：2024-03-26 12:24:31 / 浏览：次

  人工智能技术为流体问题的解决带来新思路和方法，引发的是研究范式的变革。为促进人工智能与流体力学深度融合应用，在8月11日举办的2023科学智能峰会“AI4S探究流动的无尽可能（宏观流体专场）”学术峰会上，哈尔滨工业大学教授李惠，西北工业大学教授张伟伟，中国人民大学高瓴人工智能学院长聘副教授孙浩，浙江大学长聘副教授、研究员夏振华，上海交通大学助理教授王韫博，合肥九韶智能科技有限公司总经理郑裕峰，以及本论坛召集人、宁波东方理工大学（暂名）助理教授陈云天共同探讨了人工智能技术在流体力学领域的创新与合作。

  李惠在报告中指出，求解微分控制方程是数学和其他学科的共同科学问题。在应用机器学习时，考虑加入或嵌入物理定理或控制方程可以缩小解的空间或者驱动机器学习的解逼近真解。李惠总结了用机器学习求解微分方程的三种范式，分别是用机器学习直接求解微分方程、数值模拟和机器学习混合以及纯粹数据驱动的方法。同时，李惠认为AI可以在科学研究中发挥重要作用，而智能计算在流体以及其他方面可以实现更大的突破。

  张伟伟作了题为《AI4CFD我们能做什么？》的报告，报告中指出，首先现有的CFD理论和软件方法相对滞后，存在物理模型、计算效率、鲁棒性和硬件适配性等问题。其次流体仿真软件发展面临着培训周期长、用户拓展难的困境，同时对于算力和数据存储需求非常大。

  张伟伟认为：“未来CFD的模式以AIforCFD为推动，AI算法算力可以对CFD的深度赋能，降维加优化的求解方式是主线，极有可能是优化模式和迭代模式耦合的模式，时空尺度也希望统一起来。未来的智能CFD软件可能是领域知识和领域数据的综合体，可以实现历史数据的继承和知识的迁移，服务于全生命周期设计。”

  王韫博在《世界模型——以流体的视觉直觉学习为例》报告中表示：“传统AI方法需要相应的知识，这些相应知识定义了流体有什么样的动力学方程。我认为AI来做流体的分析应该分为两种，理论模型是不是完备？如果完备，第一点可以通过仿真数据驱动，第二点把完备的理论模型嵌入到神经网络里边。如果理论模型尚不完备，视觉直觉学习给它提供了一种校正的手段。”

  谈及面向复杂动力系统高效仿真的物理编码深度学习，孙浩表示，希望能够把先验的物理知识以编码形式嵌入大模型里面，让模型第一具有可解释性，第二能够处理少量的训练数据情况，第三还可以从少量训练数据里面进一步抓取控制方程。

  夏振华在《PINNs对湍流全尺度信息预测能力的研究》报告中表示，湍流问题在航空、航天、航海、天体物理和自然灾害等领域中非常重要。对于能不能用神经网络来做好湍流全尺度信息模拟的问题，夏振华指出，由于神经网络的谱偏差特性和内在误差，以及湍流自身的多尺度和能量级串特性，PINN只能解析有限波数的大尺度结构。虽然湍流的小尺度信息很难用神经网络完全精准解析，但是其大尺度运动占据大多数动能，这使得基于RANS和LES的神经网络研究成为可能。最近南科大王建春教授团队就用神经网络实现了长时间的湍流大尺度运动的预测。

  谈及研究工具的问题，郑裕峰在报告《求解器插件化的CAX设计和仿真一体化云平NEXT》中指出，求解器的前提要有一个几何模型，而所有建模基础都是几何内核。为解决我国最被“卡脖子”的CAD、CAE和制造业CAM难题，科大九韶将在8月15日正式发布唯一一款国产完全自主研发的几何内核AMCAX3.0并进行公测。NEXT平台现在部署在Bohrium平台上，该平台的结构，最左边是算法和模型，中间是内核层，在平台层有CAD的建模部分和CAE前后处理，支持CAE求解器插件化变成NEXT平台，可满足各行各业做求解器的需求。

  在圆桌讨论环节，李惠、张伟伟、孙浩、夏振华、从泛化的角度讨论了关于基础模型或大模型，PINN面临的问题与挑战以及高频灾难等具体问题，并对智能流体力学的研究难点和发展趋势进行了展望。

相关标签： 模型、 问题、 学习、 尺度、 求解、

本文地址：https://www.uel.cc/article/292baacb6ec010c49101.html

上一篇：以AI增强的计算成像赋能医学影像快速发展...
下一篇：算法引领人工智能生态创新发展...