ETH研究人员利用人工智能计算湍流

苏黎世联邦理工学院的研究人员首次成功地实现了湍流建模的自动化。他们的项目依靠在CSCS超级计算机“ Piz Daint”上将强化学习算法与湍流模拟融合在一起。

湍流的建模和仿真对于设计汽车和心脏瓣膜，预测天气甚至追溯银河系的诞生至关重要。大约2000年前，希腊数学家，物理学家和工程师阿基米德开始从事流体力学工作，直到今天，对流体流动的复杂性仍未完全了解。物理学家理查德·费曼(Richard Feynman)将湍流视为古典物理学中最重要的未解决问题之一，对于工程师，科学家和数学家而言，湍流仍然是一个活跃的话题。

工程师在制造飞机或人工心脏瓣膜时必须考虑湍流的影响。气象学家在预测天气时需要考虑它们，天体物理学家在模拟星系时也需要考虑它们。因此，这些社区的研究人员已经对湍流建模并进行了60多年的流动模拟。

湍流的特征是跨大范围的空间和时间尺度的流动结构。有两种主要方法可以模拟这些复杂的流动结构：一种是直接数值模拟(DNS)，另一种是大涡模拟(LES)。

流程模拟测试了超级计算机的极限

DNS解决了Navier-Stokes方程，该方程对于流量的描述至关重要，分辨率达数十亿甚至数万亿的网格点。DNS是计算流量行为的最准确方法，但是不幸的是，它对于大多数实际应用程序并不实用。为了捕获这些湍流的细节，在可预见的将来，它们需要的网格点远多于任何计算机所能处理的网格点。

结果，研究人员在仿真中使用了模型，因此他们不必计算每个细节即可保持准确性。在LES方法中，解决了大流量结构，所谓的湍流闭合模型考虑了更细的流量尺度及其与大尺度的相互作用。但是，正确选择封闭模型对于结果的准确性至关重要。

而非艺术而是科学

苏黎世联邦理工学院计算科学与工程实验室教授Petros Koumoutsakos说：“在过去60年中，湍流闭合模型的建模很大程度上遵循了经验过程，而更多的是艺术而不是科学。Koumoutsakos，他的博士生Guido Novati和前硕士研究生(现在是苏黎世大学的博士研究生)Hugues Lascombes de Laroussilhe提出了一种使该过程自动化的新策略：使用人工智能(AI)从中学习最佳的湍流闭合模型DNS，并将它们应用于LES。他们最近在“自然机器智能”中发表了他们的研究结果。

具体来说，研究人员开发了新的强化学习(RL)算法，并将其与物理洞察力相结合以对湍流进行建模。Koumoutsakos说：“二十五年前，我们开创了AI与湍流之间的接口。” 但是在那时，计算机还不够强大，无法测试许多想法。ETH教授说：“最近，我们还意识到流行的神经网络不适合解决此类问题，因为该模型会积极影响其旨在补充的流程。” 因此，研究人员不得不求助于一种不同的学习方法，在该方法中，算法学会了对湍流场中的模式做出反应。

自动化建模

Novati和Koumoutsako新颖的RL算法背后的思想是使用将流场解析为网格的网格点作为AI代理。代理商通过观察数千个流动模拟来学习湍流闭合模型。“要执行如此大规模的仿真，必须使用CSCS超级计算机“ Piz Daint”，Koumoutsakos强调说。训练后，代理可以自由地模拟以前从未进行过训练的流程。

湍流模型是通过“玩”流来学习的。Koumoutsakos说：“当机器成功地将LES与DNS结果匹配时，机器就会“获胜”，就像机器学习下棋或GO的机器一样。” “在LES期间，AI仅通过观察已分解的大尺度的动态来执行未分解的尺度的动作。” 研究人员表示，新方法不仅优于公认的建模方法，而且可以在网格大小和流动条件下进行推广。

该方法的关键部分是由Novati开发的一种新颖算法，该算法可识别出哪些先前的模拟与每种流动状态相关。研究人员称，在流体力学之外的多个基准问题上，所谓的“记住并忘记体验重播”算法的性能优于绝大多数现有的RL算法。该团队认为，他们新开发的方法不仅在汽车制造和天气预报中具有重要意义。“对于科学和技术中最具挑战性的问题，我们只能解决“大尺度”并为“精细”模型建模，” Koumoutsakos说。“新开发的方法论提供了一种新的强大方法，可以通过明智地使用AI来自动化多尺度建模并促进科学发展。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！