西北工业大学和华为共同研发，流体力学大模型：秦岭翱翔

[lobster110]

华为的盘古大模型不是预测台风路径全错吗？
还得多验证再吹。

[lobster110]

还有，得多恨西工大啊 lol

西北工业大学和华为都是国家栋梁。最好保持传统，埋头干实事，别被美帝盯上。

[irisyuan]

AI解微分方程是不是相当于让AI自己把代数从头演进一遍？

[abigbear]

就拿copilot做个例子吧，那提升工作效率可不止翻倍啊。
现在做船舶设计也用人工智能，一个晚上可以做出来过去一年的工作量。
思路要打开。谁说LLM是用来算CFD的？

[abigbear]

0: 是，NS方程，偏微分方程中的天花板。
1：空气不是流体么大哥？
2: 原则上可以，目前实现还有困难。

问几个外行问题：
0. 流体力学是解偏微分方程吗？
1. 流体力学和飞机有关吗？那不是空气动力学吗？
2. 流体力学能用量子计算机来算吗？

[闪光的二猫]

专业 LOL 叔出国就是干这个的 差点烦死一学期就跑了转行计算机了
国内学热能工程也是因为高考成绩不好被分配过去的
然后当初这个方向出国超容易

佩服坚持做下去的。叔见风使舵找了个计算机专业跑了 放弃了奖学金

使用深度学习，包括生成式人工智能或大型语言模型 (LLM)，直接求解纳维-斯托克斯 (N-S) 方程是一个具有挑战性的命题。 以下是为什么这不是一项简单任务的几个原因：

1. N-S 方程的复杂性： N-S 方程是一组描述流体流动行为的偏微分方程 (PDE)。 这些方程非常复杂，涉及梯度、卷积和时间导数等术语。 虽然深度学习方法可以逼近函数，但处理这些复杂的方程却很困难。

2. 连续域： 深度学习模型通常在离散数据上运行，求解 N-S 方程等偏微分方程需要连续域上的连续函数。 域和数据的离散化会在保留物理属性方面带来错误和挑战。

3. 边界条件： N-S 方程的精确解需要适当的边界条件，但在实践中边界条件可能不容易获得或定义不明确。 将这些边界条件纳入深度学习模型并非易事。

4. 数据要求： 深度学习模型通常需要大量数据进行训练，而获取全面的流体动力学数据集具有挑战性且成本高昂。 高质量训练数据的稀缺是一个重大障碍。

5. 泛化： 流体动力学问题在几何形状、初始条件和物理属性方面存在很大差异。 训练一个能够很好地泛化不同场景的深度学习模型极具挑战性。

6. 数值稳定性： N-S 方程涉及数值稳定性问题，例如在存在高梯度或湍流的情况下保持稳定性。 深度学习模型难以在复杂场景中保持稳定性。

7. 可解释性：深度学习模型通常缺乏可解释性。 理解这些模型提供的解决方案的物理意义非常困难，这在需要深入了解流动行为的流体动力学中至关重要。

8. 守恒定律： N-S 方程基于质量、动量和能量的基本守恒定律。 确保深度学习模型遵守这些法则并不简单，需要额外的约束或考虑。

9. 计算资源： 训练深度学习模型来求解复杂的偏微分方程（如 N-S 方程）的计算成本相当高，需要大量的计算资源和时间。

10. 替代方法： 数值方法，例如有限差分法、有限元法或谱法，经过多年的发展和优化，可以有效地求解 N-S 方程。 虽然深度学习可能是物理建模中的一个有价值的工具，但它不是直接求解 N-S 方程的最有效或最有效的方法。

总之，虽然深度学习可以成为理解和近似解决流体动力学问题的宝贵工具，但由于方程的复杂性、数据限制、边界条件和 需要保持物理一致性。 使用深度学习来完成数据同化、湍流建模或优化流体动力学问题的特定方面等任务通常比作为 N-S 方程的直接求解器更实用。

[abigbear]

握爪，当初叔也是跟NS较劲的。后来专心来挖资本主义墙角了。来了大老米，就别操心为了谁谁谁的崛起而奋斗了。 赚钱养家是正道。

[jiujianoufu]

风雷这个开源软件本来就差得一屁，据此建立的AI绝壁好不到哪里去。

[longtian]

这不是恨谁的问题，哥就是做这个的。

流体力学模型归根结底都是解大型方程组的问题，有些模型计算量非常大，复杂的模型在巨型机器上要算几周。要结合ai，可以，但是这个training 数据还有过程都是非常花费时间的。 但是感觉现在有个趋势，就是LLM就是万能的，什么都能做。个人觉得这就是个噱头，现阶段完全做不到。

把楼爬了一遍，这里的将军们得多恨华为啊。lol

[TheMatrix]

这个跟历史有什么关系？

关系很大。

[Zhive]

知识的积累会发生质的改变，未来会以计算机的CPU，gpu,算能来决定胜负。当然离不开会解释结果的专家，决策会依据大数据，而不是独断。政府结构回到商朝，与贞人占卜类似，模型可以决定一切。

[fhnan]

训练数据是用试验数据还是数值计算的数据

[ccmath]

Training 数据需要做实验吗？用不用到风洞？

这不是恨谁的问题，哥就是做这个的。

流体力学模型归根结底都是解大型方程组的问题，有些模型计算量非常大，复杂的模型在巨型机器上要算几周。要结合ai，可以，但是这个training 数据还有过程都是非常花费时间的。 但是感觉现在有个趋势，就是LLM就是万能的，什么都能做。个人觉得这就是个噱头，现阶段完全做不到。

[longtian]

只要准确的数据就可以，不管你怎么来的

但是这也带来问题，现在认为准确的数据不一定是准确的，很可能对以后的计算带来问题

Training 数据需要做实验吗？用不用到风洞？

[ccmath]

总结的不错，目测这个领域有一半是中国人在干活。问一下最后为什么说 training data is expensive to generate? 难道不是实验做出来的吗

关键是如何保证5%的误差不产生catastrophic的影响，高度非线性系统对初始条件非常敏感。如果能证明系统不会不发生未知的不稳定性则AI有用。

关于用机器学习做流体模拟这个视频讲得比较清楚。

[ccmath]

过去是烧骨头，现在是写代码跑 simulation，本质都是对自然世界的不同尺度无法完全理解

知识的积累会发生质的改变，未来会以计算机的CPU，gpu,算能来决定胜负。当然离不开会解释结果的专家，决策会依据大数据，而不是独断。政府结构回到商朝，与贞人占卜类似，模型可以决定一切。

[Zhive]

主要是怎么解读结果，人类会不会对AI有信仰。信则灵，不信则不灵。

[dada5959]

是收敛方程吧。N/S对湍流的数值解不能收敛，因为energy dissapation的scale远小于网格的size，所以必须要用收敛方程来解决这个问题。而且还要看具体解决什么问题，工程上面对误差要求不是很严格的计算，比如石油管道压强，温度啥的，多相流计算可以用这种大模型结合物理模型构建，可以在保持精度的情况下快速解决问题。

[TheMatrix]

主要是怎么解读结果，人类会不会对AI有信仰。信则灵，不信则不灵。

你这个过于保守了。AI还是有真东西的。

[ccmath]

如果某天陶哲轩证明NS在某些特定条件下的解不收敛，搞工程的会怎么看？

是收敛方程吧。N/S对湍流的数值解不能收敛，因为energy dissapation的scale远小于网格的size，所以必须要用收敛方程来解决这个问题。而且还要看具体解决什么问题，工程上面对误差要求不是很严格的计算，比如石油管道压强，温度啥的，多相流计算可以用这种大模型结合物理模型构建，可以在保持精度的情况下快速解决问题。