本文提出了一种基于无分类器引导去噪扩散概率模型的气动优化生成方法，解决了气动外形逆设计在生成精度和性能指标耦合上的不足。研究表明，该方法提升了33.6%的生成精度，并实现了多样化的压力系数分布，推动了逆设计的应用潜力。

本文讨论了机器学习在计算流体动力学（CFD）中的应用，包括逆设计和控制方面的进展。机器学习提高了模拟精度、减少了计算时间，并支持了更复杂的流体动力学分析。