利用物理信息机器学习方法发现不连续 Galerkin 逼近保守定律的人工黏度模型
内容提要
该文综述物理信息机器学习在流体力学中的应用，涵盖：结合U-Net与有限差分法求解稳态Navier-Stokes方程；用GOY模型研究小尺度湍流；提出边界条件感知的局部学习方法预测Advection-Diffusion Reaction系统状态；用扩散模型生成物理一致合成数据以缓解数据稀缺；将深度学习融入有限元求解Navier-Stokes并学习亚网格闭包；从分子模拟自动发现连续体模型；改进雷诺应力建模；用3D卷积自编码器从视频估计液体黏度；端到端学习二维湍流，提速40-80倍；引入隐藏变量建模大Knudsen数等离子体。
延伸解读
物理信息机器学习的多尺度应用
文章综述了物理信息机器学习在流体力学中的多种应用，覆盖从稳态Navier-Stokes方程求解到小尺度湍流建模。这些案例表明，该方法能适应不同几何形状和物理尺度，无需参数化即可学习近似解。读者可关注其如何将物理约束嵌入神经网络，从而在数据稀缺或复杂边界条件下保持物理一致性。
数据稀缺问题的生成式解决方案
针对物理机器学习中常见的数据稀缺问题，文章提出利用扩散模型生成合成数据样本。通过比较检验，生成的数据在准确性和物理法则一致性上能满足下游任务需求。这为训练数据不足的场景提供了新思路，但需注意生成数据的质量验证和物理约束的严格性。
计算效率与精度的平衡
文章展示了端到端深度学习在二维湍流建模中的优势：空间精度提升8-10倍，计算速度加速40-80倍，同时保持稳定性。这种效率提升对于需要大量模拟的工程应用具有重要意义，但读者应留意其适用范围，例如不同强度和涡量值的流动条件。
从分子模拟到连续体模型的自动发现
文章介绍了一种从分子模拟数据中自动发现连续体模型的方法，通过神经网络参数化物理描述，并融入对称性、各向同性和守恒性等归纳偏差。这有助于桥接微观与宏观尺度，但实际应用中需考虑计算成本和模型泛化能力。
Q&A
物理信息机器学习在流体力学中有哪些具体应用？
物理信息机器学习在流体力学中有多种应用，包括：结合U-Net与有限差分法求解稳态Navier-Stokes方程；用GOY模型研究小尺度湍流；提出边界条件感知的局部学习方法预测Advection-Diffusion Reaction系统状态；用扩散模型生成物理一致合成数据以缓解数据稀缺；将深度学习融入有限元求解Navier-Stokes并学习亚网格闭包；从分子模拟自动发现连续体模型；改进雷诺应力建模；用3D卷积自编码器从视频估计液体黏度；端到端学习二维湍流，提速40-80倍；引入隐藏变量建模大Knudsen数等离子体。
如何利用物理信息机器学习求解稳态Navier-Stokes方程？
通过结合U-Net-like CNN和有限差分法领域的已建立的离散化方法，可以学习不同几何形状中稳态Navier-Stokes方程的近似解，无需参数化。将基于物理的CNN的结果与基于数据的方法进行比较，并展示了将两者结合的性能。
物理信息机器学习如何解决数据稀缺问题？
提出了一种新的物理模拟数据生成方法，利用扩散模型生成合成数据样本，并通过两种情况下的比较检验生成数据样本的准确性和符合物理法则的一致性，从而使它们能够有效地用于下游任务。
如何将深度学习模型整合到有限元方法中求解Navier-Stokes方程？
利用可微流体模拟器和深度学习模型，开发了一种将深度学习模型整合到通用有限元数值方案中以求解Navier-Stokes方程的框架，进而实现对子网尺度闭包的学习。该方法在流过倒角阶梯的多个实现中展示了与传统的大涡模拟相当的准确性，并且在相当于10倍速度提升的更细网格上进行测试。
物理信息机器学习如何改进雷诺应力建模？
使用物理信息的机器学习可以提高雷诺应力建模的准确性，该方法分解成线性和非线性部分有助于缓解基于雷诺应力封闭方程的雷诺平均流动方程的病态问题，该框架可用于改进平均速度的预测。
端到端深度学习在二维湍流建模中有什么优势？
采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现8-10倍于基线求解器的空间精度，具有40-80倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。
