本文介绍了 FluidLab，一个具有多样的复杂流体动力学操作任务的模拟环境，包括固体和流体之间的相互作用以及多个流体之间的相互作用。该环境使用可微物理模拟器 FluidEngine，在非凸和非平滑流体系统的优化问题中通过物理的可微性展示出可行的解决方案，并通过在真实世界中部署优化后的轨迹来证明合理的模拟到现实的转移。

Mar, 2023

通过结合 2D 直接数值模拟和基于物理约束的神经网络代理，我们提出了一种新的、完全可微的 FSI 混合方法来优化机器人游泳器的设计，该方法在计算效率上具有显著优势，并可用于计算设计控制软体机器人的直接基于梯度的优化。

Mar, 2022

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

本文介绍了一种基于神经网络的不同 iable rigid-body 物理引擎来学习动力学关系以及对其进行自动发现，替代了常规的解析式建模，使用神经网络能加速基于模型的控制架构，提高建模和控制的准确度。

Nov, 2020

本文介绍了一种可扩展的基于 mesh 的 Differentiable physics 求解器，能够支持大量物体及其交互，并通过稀疏的碰撞处理加速碰撞检测求解。通过实验证明，该框架相比最新的粒子法方法，需要的内存和计算资源少两个数量级，并在控制应用场景中表现优异。

Jul, 2020

通过 CFD 数据直接学习气流在圆柱上的强迫和自由动力学的方法，基于 Koopman 理论，使用模型预测控制产生了稳定的动态模型，寻找了一个简单易懂的控制策略来抑制圆柱尾流中的涡 shedding。

May, 2018

我们引入了神经流图（Neural Flow Maps）这种新颖的模拟方法，将隐式神经表示的新兴范式与基于流图理论的流体模拟相结合，实现了无粘流体现象的最先进模拟。我们设计了一种新颖的混合神经场表示，即空间稀疏神经场（Spatially Sparse Neural Fields，SSNF），它将小型神经网络与具有重叠、多分辨率和空间稀疏网格的金字塔结合起来，以高准确性紧凑地表示长期时空速度场。在这个神经速度缓冲区的基础上，我们以机械对称的方式计算长期的双向流图及其雅各布矩阵，从而显著提高了现有解决方案的准确性。这些长程双向流图实现了高精度的平流，低耗散，进而促进了具有高保真度的不可压缩流体模拟，从而展现了复杂的旋涡结构。我们展示了神经流体模拟在各种具有挑战性的模拟场景中的有效性，包括跳跃涡旋、碰撞涡旋、涡旋重连接，以及由移动障碍物和密度差异引起的涡旋生成。我们的实例展示了相对现有方法在能量守恒、视觉复杂度、与实验观察的一致性以及对详细旋涡结构的保护方面的性能提升。

Dec, 2023

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

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

近期增加在强化学习实际应用方面的研究，依赖于能够在规模上准确模拟系统。然而，液体动力学系统等领域展示了复杂的动态现象，难以以高积分速率进行模拟，限制了现代深度强化学习算法在昂贵或安全关键硬件上的直接应用。在本研究中，我们引入了 “Box o Flows”，这是一个新颖的台面实验控制系统，用于系统地评估动态实际环境中的强化学习算法。我们描述了 Box o Flows 的关键组成部分，并通过一系列实验演示了最新的无模型强化学习算法如何通过简单的奖励规范来合成各种复杂行为。此外，我们通过重用过去的经验，探讨了离线强化学习在数据高效假设测试中的作用。我们相信，从这个初步研究中获得的见解以及像 Box o Flows 这样的系统的可用性，将支持开发可普遍应用于复杂动态系统的系统化强化学习算法。附加材料和实验视频可在以下链接找到：[URL]

Feb, 2024