据外媒报道，瑞士苏黎世联邦理工学院（ETH Zurich）的研究人员首次将流体力学与人工智能技术相结合，成功将湍流建模实现了自动化。该项目将强化学习算法与CSCS超级计算机Piz Daint上的湍流模拟融合在了一起。

流体概念图（图片来源：苏黎世联邦理工学院）

湍流建模与仿真对于设计汽车和人工心脏瓣膜、预测天气、甚至是追溯一个星系的诞生都至关重要。约2000年前，希腊数学家、物理学家和工程师阿基米德曾致力于流体力学，但截至今日，流体流动的复杂性仍未被人完全理解。物理学家理查德费曼认为湍流是经典物理学中最重要的未解问题之一，而且仍是工程师们、科学家们和数学家们经常研究的话题。工程师们在制造飞机或者人工心脏瓣膜时必须考虑到湍流的影响；气象学家在预测天气，天体物理学家在模拟星系是也需要考虑到湍流的影响。因此，此类领域的科学家们一直在对湍流建模，并在仿真湍流方面进行了逾60年的研究。

湍流的特点是其流体结构跨越了广阔的时空界限，通常有两种方式模拟此类复杂的流体结构：一种是直接数值模拟（DNS），另一种是大涡模拟（LES）。

DNS解决了Navier-Stokes方程，该方程是描述流体的核心方程，分辨率高达数十亿甚至数万亿个栅格点（建模常用捕捉对象）。DNS是计算流体行为最准确的方法，但是并不适用于大多数真实应用。为了捕捉此类湍流流体的细节，需要大量的栅格点，而目前任何计算机都无法处理如此大量的栅格点。

用于建模的多代理强化学习示意图（图片来源：苏黎世联邦理工学院）

因此，研究人员在模拟中采用了模型，从而可以计算出每个细节，并保证准确性。在LES方法中，大流体结构得到解决，而所谓的湍流闭合模型解释了更微小的流体，以及其与更大尺寸流体的互动情况。不过，为了得到准确的结果，挑选正确的闭合模型至关重要。

苏黎世联邦理工学院计算机科学与工程实验室教授Petros Koumoutsakos表示：“在过去60年中，湍流闭合模型的建模在很大程度上遵循了经验过程，现在，则更多的是一门艺术，而不是一门科学。”Petros Koumoutsakos教授与其博士生Guido Novati和前研究生Hugues Lascombes de Larousillhe（现为苏黎世大学博士生）提出了一个新策略，将这一过程实现了自动化，即利用人工智能（AI）技术从DNS中学习最好的湍流闭合模型，并将此类模型应用到LES方法。具体而言，研究人员研发了新型强化学习（RL）算法，并将其与物理知识相结合，对湍流建模。

研究人员研发的新型RL算法利用解决流场的栅格点作为AI代理，通过观察成千上万个模拟流体学习湍流闭合模型。为了进行如此大规模的模拟，需要利用CSCS超级计算机Piz Daint。在训练之后，该代理能够自由地模拟此前未经过训练的流体。

该系统通过与流体一起“玩”来学习湍流模型，在其成功将LES与DNS结果匹配起来时，就赢了。在LES方法中，该AI只通过观察已经得到解决的大尺寸流体来执行未被解决的流体的行动。据研究人员所说，新方法不仅优于现有的建模方法，而且还可以不考虑到栅格大小和流体的条件进行推广。

该方法的关键部分是新型算法，能够识别出之前哪些模拟与每种流体状态有关。研究人员表示，在流体力学以外的多个基准问题方面，Remember and Forget Experience Replay（记忆与遗忘体验回放）算法的表现超越了目前大多数RL算法。该团队认为，他们新研发的方法不仅在汽车制造和天气预报方面具有重要意义。Koumoutsakos表示：“对于科学技术中最具挑战性的问题，我们只能解决“大尺寸”的问题，并对“微小”的问题建模，而新研发的方法提供了一种强大的方法，能够利用AI技术为各种尺寸的问题自动建模。”