蘇黎世ETH的研究人員首次通過將流體力學與人工智能相結合，成功地使湍流建模自動化。他們的項目依賴于在CSCSS超級計算機Piz Daint上通過湍流模擬進行擴增強化學習算法。

湍流建模和模擬對于設計汽車和心臟瓣膜、預測天氣，甚至追溯星系的誕生至關重要。希臘數學家、物理學家和工程師阿基米德大約在2000年前就忙于流體力學，而到今天，流體流動的復雜性還沒有完全被理解。物理學家理查德費曼將湍流算作古典物理學中最重要的未解決的問題之一，它仍然是工程師、科學家和數學家們的活躍話題。工程師在制造飛機或假肢心臟瓣時必須考慮湍流的影響。氣象學家在預測天氣時需要解釋他們，天體物理學家在模擬星系時也需要解釋它們。因此，來自這些社區的研究人員已經建模湍流和進行流量模擬超過60年。

湍流的特點是流結構跨越廣泛的空間和時間尺度。模擬這些復雜流結構的方法有兩種：一種是直接數值模擬 （DNS），另一種是大渦流模擬 （LES）。

流量模擬測試超級計算機的極限

DNS 解決了 Navier-Stokes 方程，這些方程是流描述的核心，其分辨率為數十億，有時甚至是數萬億個網格點。DNS 是計算流行為的最準確方法，但不幸的是，它對于大多數實際應用程序來說并不實用。為了捕獲這些湍流的詳細信息，它們需要的網格點遠遠大于任何計算機在可預見的將來可以處理的網格點。

因此，研究人員在模擬中使用模型，這樣他們就不必計算每個細節來保持準確性。在 LES 方法中，解決了大流量結構，所謂的湍流閉合模型占到更精細的流量和它們與大尺度的相互作用。但是，正確選擇閉合模型對結果的準確性至關重要。

用于建模的多代理增強學習 （MARL） 的示意圖。代理（以紅色多維數據集標記）執行控制策略，以最大限度地提高模擬之間的相似性。來源： CSElab/ETH 蘇黎世）

而不是藝術而不是科學

蘇黎世ETH計算科學與工程實驗室教授Petros Koumoutsakos表示：“過去60年來，湍流閉合模型的建模在很大程度上遵循了經驗過程，而且更多的是一門藝術，而不是一門科學。庫穆薩茨科斯，他的博士生吉多諾瓦蒂和前碩士生（現在蘇黎世大學博士生）胡格斯拉斯科姆斯德拉魯西爾赫提出了一個新的策略，使這個過程自動化：使用人工智能（AI）從DNS學習最好的湍流關閉模型，并將其應用于LES。他們最近發表在《自然機器智能》雜志上。

具體來說，研究人員開發了新的強化學習（RL）算法，并結合物理洞察力來模擬湍流。”25 年前，我們率先將人工智能和湍流連接，“庫穆薩科斯說。但當時，計算機的威力不足以測試許多想法。ETH教授說：”最近，我們也意識到流行的神經網絡并不適合解決此類問題，因為該模型會積極影響它旨在補充的流。因此，研究人員不得不采用一種不同的學習方法，其中算法學會對湍流場中的模式做出反應。

自動建模

Novati 和 Koumoutsako 的新穎 RL 算法背后的理念是使用將流場解析為 AI 代理的網格點。代理通過觀察數千個流量模擬來學習湍流閉合模型。庫穆薩科斯強調，“為了進行如此大規模的模擬，必須使用CSCSS超級計算機”Piz Daint‘“。培訓結束后，代理可以自由操作，模擬他們以前未接受過培訓的流程。

系統通過”玩“流來傾斜湍流模型。庫穆薩科斯說：”當機器成功將LES與DNS結果匹配時，它’獲勝‘，就像機器學習下棋或圍棋一樣。在 LES 期間，AI 僅通過觀察已解決大比例的動態來執行未解決比例的操作。據研究人員稱，新方法不僅優于成熟的建模方法，而且可以在網格大小和流條件下進行推廣。

該方法的關鍵部分是由 Novati 開發的新算法，該算法可識別以前的哪些模擬與每個流狀態相關。研究人員稱，所謂的“記憶和忘記體驗重放”算法在流體力學以外的多個基準問題上優于絕大多數現有的RL算法。 該團隊認為，他們新開發的方法不僅在汽車建造和天氣預報方面非常重要。“對于科技領域最具挑戰性的問題，我們只能解決’大尺度‘和’精細‘問題模型，”庫穆薩科斯說。“新開發的方法提供了一種新的、強大的方法，通過明智地使用 AI 實現多尺度建模自動化和推進科學。
責任編輯：YYX