高超声速流动的精确模拟长期以来是现代工程中的关键难题。在这类流动中，激波的位置与强度决定了整个流场的拓扑结构，任何预测偏差都可能影响飞行器热防护、气动性能与结构设计。传统降阶模型和神经代理模型在处理超声速与高超声速问题时往往力不从心，因为流场状态中存在极其陡峭的梯度，而这些模型难以在工业级应用中保持物理一致性。针对这一瓶颈，Fabian Paischer 等九位作者在 2026 年 6 月 11 日提交至 arXiv 的论文（编号 2606.13742v1，归类为 cs.LG，并交叉涉及 cs.AI、计算物理、流体力学与统计机器学习）提出了一套完全基于 GPU 的工作流程，将加速数据生成与神经代理模型训练整合在同一管线之中。
该工作流的核心是一个可微分的高保真求解器 JAX-Fluids。借助可微分特性，研究人员能够在 GPU 上快速生成训练数据集，并将物理残差直接反向传播到神经代理模型中，实现基于残差的物理感知修正。论文指出，这一框架不仅支持在已有高保真解的情况下训练模型，还允许在仅掌握网格与输入参数的场景下进行训练——此时残差修正显著降低了物理残差，并提升了模型的物理一致性，从而减少了对昂贵标注数据的依赖。
在方法层面，作者首先给出一组神经代理模型架构，并系统分析其随规模变化的扩展行为，以揭示各架构的优势与不足。随后，他们展示了残差修正如何在实际训练中改善物理一致性。作者强调，可微分仿真与残差修正的结合，使物理代理模型在超出训练分布的工况下仍能保持可靠性。这一点对于将代理模型真正部署到工程设计中循环至关重要，因为设计优化往往需要模型在训练数据未覆盖的参数区间内给出可信预测。
从时间线看，该论文于 2026 年 6 月 11 日 13:11:03 UTC 以 v1 版本提交，全文约 2.9 MB，第一作者与共同作者对论文贡献均等。研究横跨机器学习与计算物理，目标是在保持高保真度的同时大幅降低计算成本，为工业级高超声速流动仿真提供一条可落地的 GPU 加速路径。