近日，研究團隊提出了一種名為CoFINN（Conservation Flux Informed Neural Networks）的物理資訊深度學習框架，用於預測由守恆律支配的可壓縮流場。該框架創新地將有限體積守恆物理直接嵌入卷積神經網路（CNN）的訓練過程中，從而克服了傳統資料驅動方法僅最佳化畫素級相似度指標的侷限性，同時避免了經典物理資訊方法在配點處透過自動微分強制微分方程殘差而忽視離散守恆特性的問題。
CoFINN將CNN的輸出場解釋為結構化的計算網格，其中每個畫素代表一個有限體積單元，並透過精細化的數值通量計算來強制施加守恆一致性。這種設計使框架與現代計算流體力學（CFD）方法高度一致，從而在保持CNN代理模型計算效率優勢的同時，顯著提升了物理一致性和守恆特性。
為了驗證其效能，研究團隊在跨聲速流動條件下（馬赫數0.7，雷諾數6×10^6）對翼型繞流進行了預測，挑戰工況包括激波和大迎角。實驗結果顯示，CoFINN在極端迎角下將阻力預測誤差降低了高達34%，在整個測試集上平均降低約15%。尤其值得注意的是，在資料有限的情況下，基於守恆的損失函式起到了有效的物理正則化作用，使得改進效果更為顯著。
CoFINN框架具有架構無關性，可擴充套件至更廣泛的守恆律控制物理系統，為基於深度學習的流場模擬提供了更魯棒且符合物理規律的解決方案。該研究由Adnan Harun Doğan等人完成，相關論文已提交至arXiv（編號2607.06587），共28頁，包含7張圖表，涉及計算機視覺與模式識別及流體動力學領域。