用於構建高超聲速流物理仿真器的全GPU工作流

在航空航天等現代工程領域，高保真且低計算成本地解析複雜物理現象是核心挑戰之一。高超聲速流動（hypersonic flows）尤其典型，準確預測全流場拓撲結構——特別是激波位置和強度——至關重要。然而，傳統降階模型和神經仿真器在工業相關應用中，難以物理一致地捕捉流態中的陡峭梯度。針對這一問題，來自Fabian Paischer等八位研究者的團隊提出了一種完全基於GPU的工作流，將加速數據生成與神經仿真器訓練相結合，並輔以不確定性量化和物理感知細化。該工作流的核心是可微高保真求解器JAX-Fluids，它能夠快速生成數據集，並通過殘差基優化提升神經仿真器的物理一致性。研究首先展示了一系列模型架構，包括卷積神經網絡、圖神經網絡和變壓器網絡等，並分析其縮放行為，以揭示各自的優勢與不足。隨後，他們證明基於殘差的細化方法允許在僅提供網格和輸入參數的情況下進行訓練，顯著降低殘差並提升物理一致性。可微仿真與殘差細化的結合，使得物理仿真器在超出訓練分佈的情況下仍能保持可靠性——這是將替代模型部署到真實工程設計中不可或缺的要求。實驗結果表明，該工作流在多個高超聲速流基準測試中均取得了優異的性能，甚至能夠準確預測激波的位置和強度。該工作流為高超聲速流等領域提供了一種高效、準確的仿真新途徑，有望加速飛行器設計、再入大氣層等工業應用中的迭代優化過程。此外，團隊還公開了相關代碼和數據集，以促進該領域的進一步研究。這項工作發表在arXiv上（arXiv:2606.13742），涵蓋了機器學習、人工智能、計算物理和流體動力學等多個學科，代表了將機器學習與計算流體力學深度融合的重要一步，為複雜物理系統的仿真建模提供了全新的範式。