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。

本文介绍了一种名为Neural-Fly的深度学习方法，能够在动态高速风下实现无人机的精确飞行控制。研究探讨了机器学习在计算流体力学中的应用，提出了多层次代理模型和新的抽样策略GUESS，以提高样本效率和预测精度。此外，利用去噪扩散概率模型进行湍流仿真，显示出更好的不确定性估计能力。

本文探讨了将物理先验知识融入数据驱动模型的方法，以提高模型的质量和稳定性。研究表明，保持Lyapunov稳定性的模型能够增强泛化性能并减少预测不确定性。机器学习在计算流体力学中的应用能够加速数值模拟和优化模型，提升模拟精度和效率。

本研究探讨了平滑粒子流体动力学（SPH）中的粒子聚类现象，提出了一种基于图神经网络（GNN）的模拟器，以增强训练和推理性能。文章还介绍了流体动力学与深度学习结合的框架，展示了计算流体力学求解器JAX-Fluids在单相和两相流模拟中的高性能和多功能性。

本研究使用三种不确定性量化机制扩展了DeepONet模型，并使用计算流体力学生成的数据进行训练和评估。结果显示，集成方法在误差最小化和校准不确定性方面优于其他两种模型。