采用端到端深度学习方法，提高了计算流体动力学中建模二维湍流流动的逼近精度，在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度，具有 40-80 倍的计算速度加速，并保持稳定性，可适用于不同强度和涡量值的流量。

Jan, 2021

利用可微流体模拟器和深度学习模型，开发了一种将深度学习模型整合到通用有限元数值方案中以求解 Naiver-Stokes 方程的框架，进而实现对子网尺度闭包的学习，该方法在流过倒角阶梯的多个实现中展示了与传统的大涡模拟相当的准确性，并且在相当于 10 倍速度提升的更细网格上进行测试。

Jul, 2023

提出 DeepCFD 模型，基于卷积神经网络，有效地逼近非均匀稳态层流的问题，从真实数据中学习 Navier-Stokes 方程的完整解，可在低误差率的情况下加速高达三个数量级。

Apr, 2020

本研究使用机器学习模型逆向预测了网格加粗导致的信息丢失程度，并将该信息加回到低分辨率模拟中以提高模拟质量，并演示了此方法在加速模拟过程中不会牺牲解的精度，从而使 CFD 的代价 / 精度权衡更有利。

Apr, 2023

本文使用深度学习来学习针对等离子体系统获得的数据，推导包含 Landau 阻尼等动力学效应的流体偏微分方程，并且根据该流体方程重现了这个等离子体系统的所有物理量，这种数据驱动的 PDE 流体建模方法可以改善流体封闭性以及降低计算成本。

Sep, 2022

基于机器学习方法的控制研究现已过渡到实际工程阶段。本文提出了一种学习方法，用于确保系统的稳定性、可靠性等方面，为各种控制理论提供了高度的自由度，以实现高性能和理论上的安全性。通过将简单线性控制与控制屏障函数相结合，展示了一个设计示例，并将其应用于汽车发动机的实时控制，实验结果表明具有良好的预测性能和稳定的控制能力。

Nov, 2023

本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

Jan, 2019

该研究首次成功地利用多个独立控制的零净质量通量合成喷射进行主动流量控制，以降低阻力系数。研究使用了基于深度强化学习框架的方法，将计算流体动力学求解器与代理程序结合，实现了多代理强化学习框架，能够利用局部不变性、适应不同几何结构、进行传递学习和交叉应用代理，显著加快了训练速度。通过应用基于深度强化学习的控制策略，在三种不同配置的问题中实现了显著的阻力降低。

Sep, 2023

通过将预训练大型语言模型（LLM）与时空感知编码相结合，FLUID-LLM 能够更好地整合时空信息，提高计算流体动力学（CFD）任务的性能。

Jun, 2024

通过使用基于迭代学习控制（ILC），时滞相图（TLPP）和高斯过程回归（GPR）的迭代，轨迹优化和参数调整方法，我们开发了一种替代的主动控制系统，该方法可以控制系统的动力学，尽管控制器速度远慢于动力学的速度。我们在 Lorenz 方程组中演示了这个控制器，它通过迭代调整（调谐）系统的输入参数来成功复制所需的振荡轨迹或状态。此外，我们还研究了系统对其控制参数的动态敏感性，识别了期望动态轨迹的连续和有界区域，并证明了只要满足某些要求，控制器对于缺失信息和不可控参数具有鲁棒性。本文提出的控制器为各种快速非线性系统提供了低速控制的框架，可以帮助抑制和减轻不稳定性。

May, 2024