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

机器学习在实验流体力学领域具有重要的应用前景，可以提高测量技术的保真度和质量，改进实验设计和数值模型，并实现实时估计和控制。

Mar, 2023

机器学习在科学计算中已经成为核心技术，能够用于加速直接数值模拟，提高湍流封闭建模，并发展优化的降阶模型，在计算流体力学等领域有着广泛的应用和潜在影响，但也需要考虑一些潜在限制和问题。

Oct, 2021

通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示，我们构建了一个小尺度湍流模型进行研究，重点探讨了机器学习与物理学的相结合，以及在将机器学习与微分方程相结合时存在的问题。

Jan, 2022

该文章主要讲述了机器学习在流体力学中的应用历史、现状和未来机会。通过机器学习的方法，可以从大量数据中提取有关流体力学的知识，进而优化流体力学模型，并自动化流体流动控制和优化相关任务。

May, 2019

本研究延伸了之前提出的机器学习模型，在使用 N 体重力 + 流体动力学模拟模型研究星系形成和演化方面提出了新的框架。研究表明，机器学习是研究星系形成的一种有前途的技术，可以在相对较短的计算时间内模拟真实情况并预测星系物理性质，是研究星系形成的新的有力工具。

Oct, 2015

本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。

May, 2023

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

我们提出了一种基于高斯混合模型（GMMs）的新颖无监督机器学习激波捕获算法，在不需要参数调整的情况下，该算法能够准确检测激波并在不同测试案例中展现出强大的鲁棒性。通过与最先进的替代方法进行比较，并将所有方法集成到一个高阶可压间断 Galerkin 求解器中，其中的人工粘性可以调节以捕获激波，我们展示了基于 GMM 的传感器在超音速测试案例中的性能，包括高雷诺数，其效果与精心调整的最先进传感器相当。这种基于 GMM 的传感器具有自适应特性，能够在复杂几何和多样化流体配置中发挥作用，无需大量的训练数据集，适合于复杂的计算流体力学代码，揭示了无监督机器学习方法（如 GMM 传感器）提高先进 CFD 代码的鲁棒性和效率的潜力。

Jul, 2023

研究了一种新的机器学习分类器结构，包含来自物理参数的输入，参数化分类器可以平滑地插值并替换在个体值上训练的分类器集，并且可以优化插值结果。

Jan, 2016