研究人员用人工智能计算湍流

的造型和模拟紊流是设计的关键心脏瓣膜比如，汽车，天气预报，甚至追溯星系的诞生。大约2000年前，希腊数学家、物理学家和工程师阿基米德致力于流体力学，直到今天，流体流动的复杂性仍然没有被完全理解。物理学家理查德·费曼(Richard Feynman)把湍流列为经典物理学中最重要的尚未解决的问题之一，它至今仍是工程师、科学家和数学家们积极关注的话题。

工程师在制造飞机或人造心脏瓣膜时必须考虑湍流的影响。气象学家在预测天气时需要考虑这些因素，天体物理学家在模拟星系时也需要考虑这些因素。因此，来自这些社区的研究人员60多年来一直在模拟湍流并进行流动模拟。

湍流的特点是流动结构跨越广泛的空间和时间尺度。模拟这些复杂流动结构的方法主要有两种:一种是直接数值模拟(DNS)，另一种是大涡模拟(LES)。

流模拟测试了超级计算机的极限

DNS解决了Navier-Stokes方程，这是流描述的核心，其分辨率为数十亿甚至数万亿网格点。DNS是计算流行为的最准确的方法，但不幸的是，它对大多数现实应用程序并不实用。为了捕捉这些湍流的细节，他们需要比任何计算机在可预见的未来所能处理的更多的网格点。

因此，研究人员在他们的模拟中使用模型，这样他们就不必计算每一个细节来保持准确性。在LES方法中，大流动结构得到了解决，所谓的湍流闭合模型考虑了更细的流动尺度及其与大尺度的相互作用。但是，闭包模型的正确选择对结果的准确性至关重要。

艺术胜于科学

苏黎世联邦理工大学计算科学与工程实验室的教授Petros Koumoutsakos说:“在过去的60年里，紊流闭合模型的建模在很大程度上遵循了经验过程，与其说是一门科学，不如说是一门艺术。”Koumoutsakos，他的博士生Guido Novati和前硕士生Hugues Lascombes de Laroussilhe提出了一种新的策略来自动化这个过程:使用人工智能(AI)学习DNS中最好的紊流闭包模型，并将其应用到LES中。

具体来说，研究人员开发了新的强化学习(RL)算法，并将其与物理洞察力相结合来模拟湍流。Koumoutsakos说:“25年前，我们率先将人工智能与湍流相结合。但当时，计算机还不够强大，无法测试这些想法。“最近，我们还意识到，流行的神经网络并不适合解决这类问题，因为该模型会积极地影响其目标补充的流量，”ETH教授说。因此，研究人员不得不求助于一种不同的学习方法，在这种方法中，算法学习对紊流场中的模式作出反应。

自动化造型

Novati和Koumoutsako的新RL算法背后的想法是使用网格点作为人工智能代理来解析流场。研究人员通过观察成千上万的流动模拟来了解湍流闭合模型。“为了进行如此大规模的模拟，有必要访问CSCS超级计算机Koumoutsakos强调“Piz dant”。在训练之后，代理可以在他们之前没有训练过的模拟流中自由行动。

紊流模型是通过“玩弄”气流来学习的。Koumoutsakos说:“当机器成功匹配LES和DNS结果时，它就‘获胜’了，就像机器学习下国际象棋或围棋一样。”“在LES期间，人工智能仅通过观察已解决的大尺度的动态来执行未解决尺度的动作。”根据研究人员的说法，这种新方法不仅优于现有的建模方法，而且可以在网格大小和流动条件下推广。

该方法的关键部分是由Novati开发的一种新算法，该算法可以识别之前的哪些模拟与每种流状态相关。研究人员表示，所谓的“记住和忘记体验重放”算法已被证明在流体力学以外的多个基准问题上优于绝大多数现有的RL算法。该团队相信，他们新开发的方法不仅在汽车制造和天气预报方面具有重要意义。Koumoutsakos说:“对于科学技术中最具挑战性的问题，我们只能解决‘大尺度’问题，并模拟‘精细’问题。”“新开发的方法提供了一种新的和强大的方式，通过明智地使用人工智能来自动化多尺度建模和推进科学。”

这项研究已经发表在自然机器智能．