2025高阅读量文章分享

1.张伟伟︳从近期AI技术的极速发展想开去

摘要：2025年春节前夕，笔者用DeepSeek（DeepSeek-R1 对话 - 高级推理 AI 助手）探寻了本专业领域的长久萦绕于心的两个学术问题（1.通过哪些数据驱动的方法能够发现物理知识？如方程，本构关系，标度理论或者经验设计公式等；2.有没有一款前掠翼、鸭翼和盒式翼结合到一起的飞机布局；相关讨论见文后附录）。DeepSeek给出了全面的高质量的回答，其深度和全面性，远超相同提示词下ChatGPT4o的回答。虽然回答的细节不一定完全正确，但其表现出的专业水平和系统性超过了一流大学的专业教授。大语言模型的出现无疑是比互联网搜索功能更具有颠覆性的互联网产品。相当于给普通民众提供了一个无所不晓、低成本的贴身智者。在大家沉浸在体验大模型的功能和商业价值的热烈讨论中，笔者更关注AI技术对传统学科、行业，对脑力劳动者和体力劳动者，以及对社会发展所带来的颠覆性影响。这种影响不是不关注就没有影响，而是不以个人、单位和行业意志所转移的。

2.PAS刊发西工大张伟伟教授智能流体力学重磅综述论文

编者按：受主编邀请，作者系统调研梳理了人工智能与流体力学交叉领域的研究进展，通过科学计量学方法全面展示了该领域的发展脉络、研究现状和前沿方向。研究从建模、计算和工程应用三个方面系统总结主要研究成果，深入分析了不同国家、机构和学者的研究格局，梳理了当前国际上的代表性团队，为读者提供了清晰的领域发展全景图。审稿人指出，“This review could be an excellent resource for helping new graduate students get acquainted with the field of AI for fluid mechanics.” Progress in Aerospace Sciences是航空宇航学科邀请制综述期刊，影响因子长期位列航空宇航科学与技术学科期刊第一名。

3.JFM | 西北工业大学杨忠鑫、张伟伟等：数据驱动的特定且可泛化的湍流封闭知识发现

编者按：这是编者去年指导的本科毕设工作。我们非常赞同美国工程院Spalart院士的这一观点，“Creating effective products which will empower CFD, rather than on publications”，但我们对是否需要建立“Universality”的湍流模型，以及其关于机器学习在湍流建模方向的悲观形势，持保留态度。该工作呈现了数据驱动的白箱机器学习方法，在湍流建模领域取得的惊讶性能。研究通过槽道/平板仅四个状态的基本流动，获得了普适的“精准混合长度公式”，并将其作为代数模型，用于封闭求解RANS方程。在流向主导的工程附着流中，该模型具有普适的精度提升和准确的底层标度，为飞行器摩阻的准确预测提供了新工具。其“三步走”式的数据驱动知识发现模式，彰显了数（据）理（论）融合思想，成为AI4S的典范工作。

4. JFM | 空军工程大学宗豪华、吴云等：基于FPGA的深度强化学习框架实现超音速闭环智能流动控制实验

编者按：复杂流动控制研究受限于缺乏低阶显示表达的流体动力学模型，所以长期以来多采用试探、观察和分析三步走“马后炮”式研究模式。无模型自适应控制、强化学习和流场预解分析技术的发展，为打破这类研究模式提供了强有力的方法基础。此文就是一篇深度强化学习解决复杂高速流动闭环控制的杰作。相比低速、低Re流动，高速流动的频谱更宽、流动结构尺度更丰富、系统复杂性更强，这对硬件响应和算法实时性提出了更大的挑战。该文以Ma=2的后台阶流动为例（Re和速度在公开文献中，皆创纪录），采用提出的FeDRL框架，通过仅需10s的风洞运行，就能设计出性能碾压传统遍历试凑法（最佳定频控制，数小时/数天）获得的控制律。

5.ICML2025|宁波东方理工大学刘野，陈云天：DragSolver：用于真实汽车风阻系数估计的多尺度Transformer方法

摘要：针对汽车工程中估计风阻系数的挑战，来自宁波东方理工大学等机构的研究者提出了一种数据驱动的方法，能快速准确地估计不同汽车的风阻系数。他们在最新的论文《DragSolver: A Multi-Scale Transformer for Real-World Automotive Drag Coefficient Estimation》中，提出了用于真实汽车风阻系数估计的多尺度Transformer模型（DragSolver），并发表于人工智能顶级会议ICML 2025。

6.JFM | 西湖大学朱毅、康林林、范迪夏等：间歇性摆尾是否为鱼类高效游动的必然选择？

摘要：间歇性游动行为常见于斑马鱼幼体，通常被认为是节能机制的表现。本研究采用深度强化学习与浸没边界-格子玻尔兹曼法（IB-LBM）相结合的混合手段，训练斑马鱼幼体仿生游动体以最低能耗抵达目标。研究发现，当摆尾周期固定时，连续游动成为最优策略；而当摆尾周期可自由调节时，间歇性游动展现出更优的节能特性，其通过降低摆尾幅度与频率实现节能。详细分析表明，间歇游动者通过快速后甩尾鳍获得高速推进，同时结合缓慢前摆尾鳍与滑行阶段以节约能量。此外，我们推导出了经训练游动体游泳性能的标度律。这些研究成果为理解鱼类间歇性游动模式提供了新视角，对仿生运动研究及高效节能水生系统设计具有启示意义。

7.ICRA 2025 | 西湖大学韩非、范迪夏等：学习游泳：基于数据驱动长短记忆流体动力学模型的四足机器人步态优化

ICRA 2025 | 西湖大学韩非、范迪夏等：学习游泳：基于数据驱动长短记忆流体动力学模型的四足机

8.AAAI2025、POF | 西湖大学冯浩东、范迪夏等：如何在不准确物理信息和部分观测下利用物理信息建模流体力学系统

摘要：在科学和工程领域，机器学习技术在流体力学系统建模方面取得了显著进展。将物理损失作为系统演化的约束能有效克服数据稀缺导致的泛化问题，提升模型预测能力，这在数据获取成本高昂的情况下尤为重要。然而，现实场景中，传感器限制导致我们往往只能获得部分观测数据，这使物理损失的计算变得不可行，因为物理损失计算通常依赖于高分辨率状态，使用部分观测数据计算的物理损失有很大的偏差。针对这一挑战，我们提出了在部分观测下重新启用物理损失的深度学习框架 (RPLPO)。其核心理念是：虽然单纯依靠部分观测无法直接利用物理损失来约束系统演化，但我们可以通过重建可学习的高分辨率状态，并同时利用这些状态约束系统演化，从而重新启用物理损失。具体而言，RPLPO整合了用于重建可学习高分辨率状态的编码模块和预测未来状态的演化模块，这两个模块通过数据损失和物理损失进行联合训练。此外，通过引入由物理损失优化的参数学习机制，我们进一步提出了PIPO，实现了在部分观测数据上利用不准确物理方程计算损失的能力。我们在多个流体力学系统的仿真数据上进行了广泛验证，包括Burgers方程、Navier-Stokes方程、波动方程、线性浅水波方程和非线性浅水波方程。实验结果表明，即使在观测稀疏、不规则或存在噪声的情况下，我们的算法仍能显著提升模型的泛化能力。同时，我们将方法应用于真实采集的中国长三角地区污染物浓度观测数据 (PM2.5)。污染物浓度的传输过程受风场影响，理论上遵循对流扩散方程，但扩散系数和源项未知，该场景具体十分稀疏和物理方程不准确的特征和挑战。实验证明，我们的方法能有效提高污染物浓度场的预测准确性，展示了该算法在实际应用中的优越性能。

9.JFM | 浙江大学郑畅东、谢芳芳等：基于Transformer网络的上下文学习跨翼型的主动流动控制策略

摘要：近年来，基于强化学习的主动流动控制（AFC）技术备受关注。然而，强化学习策略对大量试错数据的需求在实际应用中形成了显著障碍，同时限制了跨案例智能体的训练。针对强化学习样本需求量较大的问题，课题组前期提出了专家演示策略加速方法，在训练数据中掺入“伪专家”给出的指导数据，引导控制律高效、合理、有针对性地进行探索和试错，大幅减少了探索数据需求量[1]。针对跨案例智能体训练问题，本研究提出了一种基于强化学习数据的上下文主动流动控制策略学习框架。该框架引入基于Transformer的策略改进算子，将强化学习过程建模为因果序列，并通过自回归方式，在面对新的、未见过的案例时，结合足够长的上下文进行决策。在流动分离问题中，该框架展示了成功学习并应用高效流动控制策略的能力，适用于多种翼型配置。与传统强化学习方法相比，这种无需更新网络参数的学习方式效率更高。研究还提出了一项新技术，利用单一的Transformer模型解决不同翼型的流动分离控制问题。此外，研究创新性地将基于强化学习的流动控制与气动形状优化相结合，显著提升了整体性能。这一方法在形状优化过程中有效减少了新流动控制策略的训练负担，为未来车辆的跨学科智能协同设计提供了新的可能性。

10.POF | 西北工业大学宋家豪、张伟伟等：一种基于伴随方法的物理信息神经网络预处理框架

编者按：物理信息神经网络（PINNs）在正问题中的病态仍是限制其迈入复杂工程问题的一大局限。该工作设计了一种针对损失函数的预处理框架，通过降低PDE系统的条件数实现了对PINNs病态的缓解，在目前PINNs相对棘手的问题中取得了好的表现。

11.JFM | 宁波东方理工大学（暂名）张大山、陈云天等：滤波偏微分方程：物理信息深度学习框架中的稳健代理约束

摘要：物理嵌入的神经网络已成为热门研究方向。然而在面对复杂现实场景时，现有方法仍高度依赖于观测数据的数量与质量。此外，当实际方程的解非常复杂时，神经网络往往难以收敛。受计算流体力学中大涡模拟方法的启发，我们提出了一种基于滤波技术的改进方法。通过分析物理信息机器学习面临困难的内在原因，我们构建了原始物理方程的替代约束条件（滤波偏微分方程，FPDE），以降低噪声和稀疏观测数据带来的影响。在噪声与稀疏性实验中，基于FPDE约束优化的模型相比传统PDE模型展现出更好的鲁棒性。实验表明，在噪声水平提高100%且观测数据量仅为基线12%的条件下，FPDE模型仍能获得同等质量的解。此外，通过两组实际测量数据验证了FPDE在真实场景中的改进效果。最终结果表明：在面对方程不完整、数据极度稀疏与高噪声条件时，FPDE仍能给出物理意义更合理的解。所提出的FPDE约束有助于将真实实验数据融入物理信息训练过程，并在两个实际案例中有效应用：模拟划痕实验中的细胞迁移与血管中的血液流速模拟。

12.JCP | 西北工业大学宋家豪、张伟伟等：FENN：特征增强神经网络求解流体力学领域的偏微分方程

编者按：物理信息神经网络（PINNs）在求解偏微分方程时仍面临收敛缓慢的挑战，尤其是在流体力学等领域的复杂非线性问题中。该工作通过在网络输入中引入有益的几何和物理特征，显著提升了PINNs的收敛速度。文章在正问题、反问题和参数化问题上全面验证了所提方法相比标准PINNs和已有先进方法的增强效果。

13.Nature Communications | AI for Science：用人工智能在实验数据中挖潜在规律

摘要：在化学领域，尤其在色谱分析方向，经验性研究范式占据主导地位——色谱分离条件的选择常依赖化学家的个人经验，但其背后的科学依据尚未得到系统阐释与论证。本研究通过统计分析及机器学习技术，首次明确阐释了化学家如何借助薄层色谱法(TLC)确定柱色谱法(CC)条件。基于自主研发的自动化实验平台，我们构建了柱色谱实验数据集，并运用知识发现框架构建出"人工智能经验模型"，以显性方程形式揭示了薄层色谱阻滞因子(RF)值与柱色谱保留体积之间的量化关系。该系列方程展现出良好的准确性与泛化能力，不仅为实验条件选择提供了科学依据，更有助于深化对色谱分离机制的系统性理解。

14. JCP | 中科院力学所孙振旭研究员团队：关于物理信息神经网络的预处理：如何在流体力学中更好地利用数据

摘要：物理信息神经网络（PINNs）作为解决微分方程正问题和反问题的灵活替代方案，在应用数学的多个领域显示出了令人印象深刻的进展。尽管结合了数据和基本物理知识来丰富神经网络的理解，但有关PINNs的有效性和实用性的担忧依然存在。在过去几年中，当前文献中进行了大量努力，以通过借鉴机器学习算法和数值方法来增强这种不断发展的方法。尽管PINNs算法取得了显著进展，但数据预处理这一重要而基础的领域仍未得到探索，限制了PINNs在解决反问题方面的应用。因此，在本文中，提出了一种简洁而有效的数据预处理方法，重点关注数据标准化。通过对数据和相应方程同时应用线性变换，评估了归一化PINNs方法在四个湍流案例中重建流场的任务。结果表明，通过遵循数据预处理程序，PINNs可以在不同超参数设置下稳健地实现所有流场的更高预测准确度，而不增加额外的计算成本，从而明显提高了有限训练数据的利用率。尽管主要在纳维-斯托克斯（NS）方程中进行了验证，但该方法有潜力应用于其他各种方程。

15.CMAME | 香港理工大学周原野、周恺等：面向清晰几何边界工程优化的拉格朗日拓扑物理信息神经网络

摘要：近年来，物理信息神经网络（PINN）凭借物理-数据融合的优势，被迅速引入拓扑优化领域，然而PINN以隐式场表示拓扑，导致优化结果边界弥散、灰度区宽，难以满足制造工艺对清晰几何轮廓的要求。为此，本文提出“拉格朗日拓扑物理信息神经网络”框架：将显式可变形基础几何体嵌入可微分物理求解器，实现几何边界的精确追踪。该框架兼具拉格朗日描述的边界锐度与PINN的物理一致性，无需灰度阈值后处理即可生成参数化曲线方程边界，显著提高了PINN拓扑优化结果的可制造性与精度。

2025高阅读量PPT分享

1.PPT分享|大连理工大学宋学官教授：大/小/微模型赋能先进制造：实践与思考

2.PPT分享 | 大连理工大学宋学官教授：重大装备形~性一体化数字孪生关键技术

作者简介：

　　宋学官，教授、国家级领军人才、重点研发计划项目首席、高性能精密制造全国重点实验室副主任。长期从事装备性能建模与优化设计、装备数字孪生、装备及基础件（工程装备、工业阀门等）研究，开发了数据驱动的云端优化设计软件DADOS（www.dados.com.cn）。

　　在机械工程学报、ASME JMD、ASME PVT、SMO、KBS、AIC、MSSP、IEEE EC、CMAME等领域著名期刊发表论文200余篇，其中第一/通讯作者SCI论文100余篇，ESI高被引论文3篇，期刊封面论文3篇，IF≥8论文30余篇，出版著作3部，英文书籍章节2章，参编基金委《机械工程学科发展战略报告(2021~2035)》。论文总引用7000余次，H指数44，入选全球前2%顶尖科学家榜单。获得2009年国家优秀留学生奖、2020年机械工业科技进步特等奖（排7）、2020年和2021年山西省科技进步二等奖（排2、排3）、2022年辽宁省科技进步一等奖（排1）、2023年山西省科技进步一等奖（排2），2024年机械工业科技进步一等奖（排1），以及2010年美国机械工程师压力容器与管道国际会议（ASME PVP）论文奖等学术奖励10余项。2014年回国后指导研究生获得ASME PVP等国际会议论文奖10余项，指导研究生/本科生获得挑战杯、互联网+等创新大赛奖励20余项。

3.2025中国力学大会AI+分享 | 四川大学张来平研究员：基于图神经网络的流场预测方法研究进展

作者简介：

　　张来平，博士，原军科院创新研究院研究员。长期从事计算流体力学研究，主要研究领域包括：复杂外形网格生成技术、非结构网格高精度计算方法、高性能计算、大型CAE工业软件研发及在航空航天中的应用等。近年来专注于AI for Science研究，主要开展智能化非结构/混合网格生成、基于机器学习流场预测和气动力建模等方面的研究。兼任国际计算流体力学会议科学委员会委员、计算机学会高性能计算专业委员会委员；曾任中国空气动力学学会副理事长、《空气动力学学报》副主编等职。在国内外知名期刊上发表论文100余篇，出版学术专著一部《计算流体力学网格生成技术》。获部委级科技进步一等奖1项、二等奖5项、三等奖3项；获“中国航天基金奖”、部委级“创新贡献奖”；享受政府特殊津贴。

4. 博士学位答辩PPT分享 | 基于机器学习的复杂流场预测方法研究

作者简介：

　　左奎军，西北工业大学航空学院2021级力学专业博士研究生，师从叶正寅教授、张伟伟教授、袁先旭研究员，主要研究方向为面向航空工程的机器学习流场预测。博士期间曾获优秀研究生、一等学业奖学金等荣誉。在读期间以第一作者在Aerospace Science and Technology、Expert Systems with Applications、Physics of Fluids等行业内知名期刊上共发表学术论文6篇，在投论文2篇，申请软著一项

5.2025中国力学大会AI+分享 | 国防科技大学刘杰研究员：AI赋能PDE全流程求解

作者简介：

　　刘杰，国防科技大学研究员，博士生导师，银河/天河超算系统副总师，高端装备数字化软件省重点实验室主任。主要从事并行算法、高性能计算应用、智能科学计算研究工作，主持国家重点研发计划等项目20项，获国家科学技术进步特等奖和二等奖各1项，全国创新争先奖1项、省部级一等奖5项。国家发明专利授权40余项，发表论文200余篇。享受国务院政府特殊津贴。

感谢各位读者对于本公众号的关注与支持！