来源： 苏黎世 ETH
苏黎世ETH的研究人员首次通过将流体力学与人工智能相结合，成功地使湍流建模自动化。他们的项目依赖于在CSCSS超级计算机Piz Daint上通过湍流模拟进行扩增强化学习算法。
湍流建模和模拟对于设计汽车和心脏瓣膜、预测天气，甚至追溯星系的诞生至关重要。希腊数学家、物理学家和工程师阿基米德大约在2000年前就忙于流体力学，而到今天，流体流动的复杂性还没有完全被理解。物理学家理查德费曼将湍流算作古典物理学中最重要的未解决的问题之一，它仍然是工程师、科学家和数学家们的活跃话题。工程师在制造飞机或假肢心脏瓣时必须考虑湍流的影响。气象学家在预测天气时需要解释他们，天体物理学家在模拟星系时也需要解释它们。因此，来自这些社区的研究人员已经建模湍流和进行流量模拟超过60年。
湍流的特点是流结构跨越广泛的空间和时间尺度。模拟这些复杂流结构的方法有两种：一种是直接数值模拟 （DNS），另一种是大涡流模拟 （LES）。
流量模拟测试超级计算机的极限
DNS 解决了 Navier-Stokes 方程，这些方程是流描述的核心，其分辨率为数十亿，有时甚至是数万亿个网格点。DNS 是计算流行为的最准确方法，但不幸的是，它对于大多数实际应用程序来说并不实用。为了捕获这些湍流的详细信息，它们需要的网格点远远大于任何计算机在可预见的将来可以处理的网格点。
因此，研究人员在模拟中使用模型，这样他们就不必计算每个细节来保持准确性。在 LES 方法中，解决了大流量结构，所谓的湍流闭合模型占到更精细的流量和它们与大尺度的相互作用。但是，正确选择闭合模型对结果的准确性至关重要。
用于建模的多代理增强学习 （MARL） 的示意图。代理（以红色多维数据集标记）执行控制策略，以最大限度地提高模拟之间的相似性。来源： CSElab/ETH 苏黎世）
而不是艺术而不是科学
苏黎世ETH计算科学与工程实验室教授Petros Koumoutsakos表示："过去60年来，湍流闭合模型的建模在很大程度上遵循了经验过程，而且更多的是一门艺术，而不是一门科学。库穆萨茨科斯，他的博士生吉多诺瓦蒂和前硕士生（现在苏黎世大学博士生）胡格斯拉斯科姆斯德拉鲁西尔赫提出了一个新的策略，使这个过程自动化：使用人工智能（AI）从DNS学习最好的湍流关闭模型，并将其应用于LES。他们最近发表在《自然机器智能》杂志上。
具体来说，研究人员开发了新的强化学习（RL）算法，并结合物理洞察力来模拟湍流。"25 年前，我们率先将人工智能和湍流连接，"库穆萨科斯说。但当时，计算机的威力不足以测试许多想法。ETH教授说："最近，我们也意识到流行的神经网络并不适合解决此类问题，因为该模型会积极影响它旨在补充的流。因此，研究人员不得不采用一种不同的学习方法，其中算法学会对湍流场中的模式做出反应。
自动建模
Novati 和 Koumoutsako 的新颖 RL 算法背后的理念是使用将流场解析为 AI 代理的网格点。代理通过观察数千个流量模拟来学习湍流闭合模型。库穆萨科斯强调，"为了进行如此大规模的模拟，必须使用CSCSS超级计算机"Piz Daint'"。培训结束后，代理可以自由操作，模拟他们以前未接受过培训的流程。
系统通过"玩"流来倾斜湍流模型。库穆萨科斯说："当机器成功将LES与DNS结果匹配时，它'获胜'，就像机器学习下棋或围棋一样。在 LES 期间，AI 仅通过观察已解决大比例的动态来执行未解决比例的操作。据研究人员称，新方法不仅优于成熟的建模方法，而且可以在网格大小和流条件下进行推广。
该方法的关键部分是由 Novati 开发的新算法，该算法可识别以前的哪些模拟与每个流状态相关。研究人员称，所谓的"记忆和忘记体验重放"算法在流体力学以外的多个基准问题上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建造和天气预报方面非常重要。"对于科技领域最具挑战性的问题，我们只能解决'大尺度'和'精细'问题模型，"库穆萨科斯说。"新开发的方法提供了一种新的、强大的方法，通过明智地使用 AI 实现多尺度建模自动化和推进科学。
