用于构建高超声速流物理仿真器的全GPU工作流

在航空航天等现代工程领域，高保真且低计算成本地解析复杂物理现象是核心挑战之一。高超声速流动（hypersonic flows）尤其典型，准确预测全流场拓扑结构——特别是激波位置和强度——至关重要。然而，传统降阶模型和神经仿真器在工业相关应用中，难以物理一致地捕捉流态中的陡峭梯度。针对这一问题，来自Fabian Paischer等八位研究者的团队提出了一种完全基于GPU的工作流，将加速数据生成与神经仿真器训练相结合，并辅以不确定性量化和物理感知细化。该工作流的核心是可微高保真求解器JAX-Fluids，它能够快速生成数据集，并通过残差基优化提升神经仿真器的物理一致性。研究首先展示了一系列模型架构，包括卷积神经网络、图神经网络和变压器网络等，并分析其缩放行为，以揭示各自的优势与不足。随后，他们证明基于残差的细化方法允许在仅提供网格和输入参数的情况下进行训练，显著降低残差并提升物理一致性。可微仿真与残差细化的结合，使得物理仿真器在超出训练分布的情况下仍能保持可靠性——这是将替代模型部署到真实工程设计中不可或缺的要求。实验结果表明，该工作流在多个高超声速流基准测试中均取得了优异的性能，甚至能够准确预测激波的位置和强度。该工作流为高超声速流等领域提供了一种高效、准确的仿真新途径，有望加速飞行器设计、再入大气层等工业应用中的迭代优化过程。此外，团队还公开了相关代码和数据集，以促进该领域的进一步研究。这项工作发表在arXiv上（arXiv:2606.13742），涵盖了机器学习、人工智能、计算物理和流体动力学等多个学科，代表了将机器学习与计算流体力学深度融合的重要一步，为复杂物理系统的仿真建模提供了全新的范式。