本文提出了一种端到端训练神经网络体系结构，以具有高时态稳定性的方式强韧地预测流体流动的复杂动力学。该方法是基于卷积神经网络（CNN）的空间压缩与堆叠长期短期记忆（LSTM）层结构的时间预测网络，并采用新颖的潜在空间划分方法（LSS）。通过选择性地覆盖部分预测的潜在点空间，我们提出的方法能够强韧地预测复杂物理问题的长期序列，并突出空间压缩网络对潜在空间创建的循环训练的好处。

Mar, 2020

利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

Nov, 2020

本文提出了一种方法，通过利用流体的 Navier-Stokes 方程作为答案进行稀疏视频的端到端优化，实现通过 RGB 视频的高保真流体重构。

Jun, 2022

本研究介绍了一种能够从降维参数集合综合流体模拟的新型生成模型，采用卷积神经网络进行训练，通过学习数据的代表性特征，能够对训练数据集进行精确近似而同时提供可信的插值。该模型经过优化，实现了全时刻无发散，能够处理复杂参数化并通过潜在空间积分进一步模拟。其模型包括多种流体行为，可用于模拟加速、流体插值、时间重采样、潜在空间模拟及流体模拟数据压缩，重建速度场比外部 CPU 求解器重复模拟节省 700 倍时间，压缩率达到 1300 倍以上。

Jun, 2018

本文采用机器学习技术对流场数据进行超分辨率分析，提出了卷积神经网络（CNN）和基于下采样跳跃连接多尺度（DSC/MS）模型，通过对二维圆柱尾流等测试表明这些模型能从低分辨率流场数据中重建出高分辨率的流场，可大大提高计算流体力学中流体流动的空间分辨率和揭示复杂湍流物理。

Nov, 2018

介绍了一种将烟雾和液体模拟进行数据驱动流体模拟的新方法，该方法使用基于格网的有符号距离函数计算密集的时空变形，并结合光流求解、投影算法和残差迭代实现了输入匹配。此外还提出了对齐技术，它可以连接多个长距离形变，从而实现旋转烟云或飞溅液体等现象。

Aug, 2016

这项工作提出了一种数据驱动的方法，结合深度学习和标准求解器的精度，通过解决大型稀疏线性系统来快速高度逼真地模拟不可压缩的欧拉方程，得到比最近提出的数据驱动方法更好的 2D 和 3D 模拟结果，并展示了良好的泛化性能。

Jul, 2016

本文提出了一种基于传输的神经风格迁移算法，可用于体状烟雾数据。采用优化技术近似仿真状态，从而使得自然图像的特征可以转移到烟雾模拟图像中，实现了从简单图案到复杂结构的通用内容感知操纵，通过控制升降运算和无旋动能势可以实现传输引起的风格化速度场的直接控制，最终生成的 3D 重建图像可无缝地合并不同摄像机视角的风格化效果。

May, 2019

本文提出一种基于深度学习的方法，通过使用 LSTM 算法预测流体力学问题中的压力场变化，并在实验中证明了该算法在速度上的优势

Feb, 2018

通过在卷积神经网络中引入对流，以及使用反应扩散神经元组件构建一个模拟反应 - 对流 - 扩散方程的高维网络，我们提出了一个物理上启发的体系结构来解决物理科学中基于时空序列的预测问题，并展示了该网络在一些时空数据集上的有效性。

Jun, 2024