纳维尔-斯托克斯方程是流体动力学的核心，描述液体和气体的运动。新研究利用物理信息神经网络（PINNs）解决这些复杂方程，特别是湍流问题。PINNs结合机器学习与物理规律，减少数据需求，适用于其他物理问题。研究表明，PINNs在流体速度和压力预测上表现良好，但在细节和压力梯度方面仍有不足，未来将通过模型混合和自动调优等方法进行改进。
本研究解决了物理感知神经网络（PINNs）在工程湍流优化中面临的数据需求高和计算准确性低的问题。提出了一种新的框架PT-PINNs，通过软约束方法和基于流量守恒的预训练方法，提高了湍流问题的求解能力。实验表明，PT-PINNs的预测结果与实验数据和传统CFD结果高度一致，同时在计算效率上显著优于传统CFD方法。
本文提出了一种神经代理模型，用于高效建模核聚变能量生产中的等离子体湍流，计算速度比传统数值方法快两个数量级，为商业核聚变的可行性提供了基础。
该研究解决了从低分辨率的大涡模拟（LES）数据重建高保真直接数值模拟（DNS）数据的挑战，因LES无法充分捕捉湍流传输的全尺度。本文提出了一种新颖的流动重建方法，通过测试阶段利用LES数据，并运用一种基于退化的修正方法，结合物理知识来建模流动动力学，从而有效地重建不同分辨率下的高分辨率DNS数据，并保持流动传输的物理属性。
本研究解决了湍流通道流动长时间预测中现有模型表现不佳的问题，提出了一种改进的隐式因子化变换器模型（IFactFormer-m），采用并行因子化注意机制。研究发现，IFactFormer-m在短期预测中显著降低了预测误差，并在长期预测中提供了稳定准确的流动特性和统计特性，且比传统的大涡模拟方法更为高效。
本研究针对湍流模拟中传统方法无法有效重现复杂湍流结构的难题，提出了一种新颖的流入湍流生成器CoNFiLD-inlet。通过结合扩散模型与条件神经场，研究表明该方法在广泛的雷诺数范围内都能有效生成真实的随机湍流流入，具有高保真性和良好的可扩展性，展现了在湍流合成中的高效性和多功能性。
德国物理学家海森堡临终时提到，科学家在面对不可预测的湍流时感到不安。如今，AI快速发展的代码生成对软件安全构成挑战，传统模型难以应对。开发者需转变思维，采用新技术处理日益增加的安全漏洞，以确保系统安全。
本文提出了一种新算法，旨在降低大气湍流引起的图像几何失真和模糊。该算法通过稳定图像序列、应用鲁棒主成分分析和盲反卷积技术，有效恢复图像细节并提高视觉质量。同时，研究介绍了新的数据集OTIS，以便于算法间的比较和评估。
本文提出了一种新算法，旨在降低大气湍流引起的图像失真和模糊。该算法结合鲁棒主成分分析和盲反卷积技术，通过生成清晰的参考图像和稳定图像序列，有效恢复图像细节并提高视觉质量。此外，研究展示了基于深度学习的模型，能够处理动态场景中的湍流影响，显著提升恢复效果和处理速度。
本研究提出了一种新颖的采样方法，旨在解决传统CFD求解器在湍流模拟中的高计算成本和准确性问题，验证了基于RANS-PINN框架的有效性。
本研究解决神经算子在湍流流动的替代建模中存在的谱限制问题，提出将神经算子与扩散模型结合的方法，以提高湍流结构的分辨率。研究表明，该方法显著改善了预测的能量谱与真实分布的对齐度，开启了生成模型与神经算子结合的新范式，且具有在其他科学应用中的潜力。
本文介绍了一种基于端到端学习的光流估计方法，提升了计算速度和精度。研究了多种深度学习模型在湍流模拟中的应用，展示了它们在图像恢复和湍流抑制方面的优势。此外，BLASTNet 2.0数据集为三维超分辨率模型提供了支持，促进了流动物理应用中的机器学习方法发展。
本文介绍了一种结合物理学与机器学习的方法，用于预测大气湍流强度。研究提出了多种模型和框架，包括物理整合的修复网络、基于物理启发的转换器模型和生成对抗网络，旨在提升湍流条件下的图像质量和数据预测准确性。
本研究提出了一种基于物理启发的转换器模型，旨在处理大气湍流引起的图像失真。通过深度学习方法，开发了深度大气湍流抑制网络（DATUM），显著提高了图像恢复的效率和质量。此外，研究结合动态湍流和静态背景，改善了图像质量和视觉任务的性能。
本文介绍了一种新型的大气湍流衰减方法，结合时空非局部平均和几何一致性，有效恢复受湍流影响的图像。研究提出的深度学习模型和弱监督框架显著提高了图像质量和处理速度，并在实际环境中验证了其性能。
利用湍流图像增强技术改善在大气湍流环境下热适应和基于深度学习的目标检测模型的准确性和鲁棒性，研究表明，通过在模型训练中使用湍流特定的增强方法，可以显著提高检测湍流图像的准确性和鲁棒性。
通过 Koopman-Based 机器学习结构和线性循环自编码网络（LRAN），我们研究了 Rayleigh-Bénard 对流系统中湍流对流流体流动的简化动力学模型以及其应用于模型预测与控制技术。
本文提出了一种解决盲视频时间一致性问题的方法，通过在Deep Video Prior（DVP）视频上训练卷积神经网络实现时间一致性，并采用迭代加权训练策略解决多模态不一致性问题。实验证明该方法在盲视频时间一致性方面优于现有技术水平。
提出了一种基于隐式神经表示的无监督大气和水湍流抑制方法（NeRT），通过利用隐式神经表示和物理正确的倾斜 - 模糊湍流模型，仅仅依靠数十个扭曲输入图像就能重建出干净、无扭曲的图像，并且在大气和水湍流数据集的各种定性和定量评估中表现优于现有技术，同时展示了 NeRT 消除现实环境中的非受控湍流的能力，并将 NeRT 融入连续捕获的视频序列中实现了 48 倍的加速。
我们提出了一种通过一个新的基准测试 Turbluence，系统评估针对代码生成的指导性大型语言模型（LLMs）的正确性和鲁棒性的方法。我们的发现表明，Turbulence 能够揭示 LLMs 的推理能力中的差距，这超出了仅仅强调 LLMs 有时会产生错误代码的范畴。
完成下面两步后，将自动完成登录并继续当前操作。
