由华人副教授团队开发的OpenFOAMGPT成功引入AI工程师于计算流体力学(CFD)领域，利用国产模型DeepSeek和Qwen实现高达100倍的成本节约，降低CFD仿真门槛，支持本地化部署，未来有望与主流CAE软件融合。

35岁北大校友邓煜等人成功解决了历时125年的希尔伯特第六问题。该研究从牛顿力学出发，通过玻尔兹曼方程推导流体力学方程，具有重要的理论意义，促进了数学与物理的结合。

飞桨PaddlePaddle利用深度学习技术提升流体力学计算效率，解决传统建模的精度与速度矛盾。PaddleScience套件支持多种求解方式，提供丰富的案例与API，助力科研与工程应用。同时，飞桨推出智算融合计划，推动算力与算法的深度合作，促进AI在各行业的应用落地。

随着AI技术的发展，PaddleScience致力于将AI应用于科学计算，解决传统计算瓶颈。百度飞桨推出《飞桨AI for Science前沿讲座》系列课程，邀请专家分享AI在流体力学和材料科学等领域的应用，推动科研进展。

本研究提出了一种低成本的混合机器学习模型LC-SVD-DLinear，旨在解决稀疏测量数据导致的高分辨率流体力学数据预测问题。该模型结合了奇异值分解和DLinear架构，能够有效捕捉时间数据的非线性动态，显著降低计算成本，并展现出良好的预测与重建能力。

本文回顾了物理启发的神经网络（PINNs）在流体力学中的应用，探讨其在求解偏微分方程（PDE）及逆问题中的优势与挑战。研究表明，PINNs在处理实验数据时的准确性和训练效率优于传统神经网络，并通过优化算法和损失函数在多个领域展现出与有限差分方案相当的准确性，推动了其应用前景。

本文提出了一种基于动态可解释循环神经网络的框架，用于多模态数据的非线性重建和跨模态分析。该算法通过其他信道弥补数据缺失，揭示不同数据域的潜在动力学链接。研究还结合变分自动编码器和注意力机制，提升高维数据的动态模型学习效率。此外，提出的多物理预训练方法在流体力学中表现优异，无需微调，并提供开源代码和模型权重供社区使用。

本文探讨了流体力学中数据驱动模型的可解释性，提出了一种加性特征归因方法，通过线性模型将输入特征与预测结果连接，从而为深度学习模型提供重要的可解释性，促进符合物理规律的模型应用。

本文提出了一种基于图的深度学习模型，利用类Transformer结构进行流体力学预测，显著提高了数据压缩效率和分析精度。该研究在高维科学数据处理中的应用，尤其在气候模型和湍流模拟中表现优异，推动了机器学习在流动物理中的应用。

2024年8月9日至13日，第十三届全国流体力学学术会议在哈尔滨召开，邀请了8位院士和2300多位专家学者，共录用论文1300多篇。会议主题包括智能计算和人工智能在流体力学领域的应用。百度飞桨作为赞助商参与会议，并提供了科学家和工程师交流的平台。百度飞桨是中国首个开源的深度学习平台，致力于科技发展和创新。百度飞桨希望与高校、科研院所和中国力学学会共同推动AI for Science的发展。

本文介绍了一种基于深度学习的算法NeuroFluid，利用LSTM预测流体力学中的压力场变化。研究表明，该算法在建模复杂粒子系统方面表现优越，能够有效估计流体的物理特性。此外，提出的NIM方法结合无网格离散化与深度学习，显著提高了训练效率和预测准确性。

该文章探讨了机器学习在流体力学中的应用，包括其历史、现状和未来机会。机器学习提高了流体动力学模型的精度和计算速度，优化了模拟过程，并在实验流体力学中展现出重要前景。研究表明，机器学习能够有效处理复杂流动并提高模拟质量。

本文介绍了多种基于深度学习的CFD模型，如DeepCFD、CFDNet和INFINITY，旨在加速流场预测和优化气动设计。这些模型利用卷积神经网络和图神经网络等技术，提高了计算效率和准确性，适用于复杂几何形状和高雷诺数条件下的流体模拟。

本文探讨了机器学习在流体动力学中的应用，特别是卷积神经网络（CNN）和扩散模型，以提升偏微分方程求解的性能和泛化能力。提出的物理启发残差扩散模型有效提高了低保真数据的质量，实验结果显示该方法在重建二维湍流方面表现优异。此外，结合物理知识的神经网络框架增强了模型的效率和灵活性，适用于复杂物理系统的建模。

本文介绍了一种结合模型驱动与数据驱动方法的光流场修复技术，利用深度学习和偏微分方程实现高效的数据重建，效果优于传统方法。此外，研究还探讨了湍流数据重建、超分辨率分析及流体数据补全等领域，展示了机器学习在流体力学中的应用潜力。

本文探讨了物理启发的神经网络（PINNs）在复杂系统中的应用，提出了一种结合深度神经网络（DNNs）以纠正模型错误的方法，从而提高准确性。研究重点在于PINNs在偏微分方程和流体力学等领域的应用，强调其在数据缺失和复杂工程问题中的优势。

本文提出了一种基于运算器学习的时空数据驱动建模框架，能够利用短期时间序列数据进行长期模拟，并通过混合优化方案提高预测准确性。该框架结合偏微分方程和有限元方法，展示了在流体力学和热传导等领域的应用潜力，具有较高的可解释性和训练效率。

本研究探讨了物理知识驱动的神经网络（PINNs）的局限性，并提出了改进方法。通过新的特征映射和混合量子物理信息，解决了多尺度问题，提升了模型的准确性和鲁棒性。研究表明，条件正定的径向基函数优于传统傅里叶特征映射，且在流体力学和断裂力学等领域具有良好应用前景。

该研究提出了一种利用深度学习模型减小粗网格计算流体力学问题空间离散化误差的方法。通过替换对流项的差分方案，将速度插值到面值，以近似细网格数据的速度。该模型应用于方形柱问题的流动中，将误差减小到传统求解器的约50%。