新方法將物理學帶入深度學習以更好地模擬湍流

深度學習(也稱為機器學習)可復制數據以對問題場景進行建模并提供解決方案。但是，物理學中的某些問題是未知的，或者無法在計算機上用數學方式詳細表示。伊利諾伊大學香檳分校的研究人員開發了一種新方法，該方法將物理學引入機器學習過程中，可以做出更好的預測。

研究人員使用湍流來測試他們的方法。

“我們不知道如何以一種有用的方式數學地記錄所有的湍流。在計算機上無法表示未知數，因此我們使用了機器學習模型來找出未知數。我們在兩種方法上對其進行了訓練在學習過程中同時看到了物理控制方程和物理控制方程。這就是使它神奇且起作用的原因。”威利特教授兼航空航天工程系主任喬納森·弗倫德說。

Freund說，這種方法的需求無處不在。

“這是一個老問題。很長一段時間以來，人們一直在努力模擬湍流并為其中的未表示部分建模。” Freund說。

然后他和他的同事賈斯汀·西里尼亞諾頓悟。

“我們了解到，如果您嘗試進行機器學習而不考慮已知的物理學控制方程，那么它就行不通了。我們將它們結合在一起就行了。”

在設計航空器或航天器時，Freund表示，這種方法將幫助工程師預測涉及湍流的設計是否符合其目標。他們將能夠進行更改，再次運行它來預測傳熱或升力，并預測他們的設計是好是壞。

“任何想對物理現象進行模擬的人都可以使用這種新方法。他們會采用我們的方法并將數據加載到自己的軟件中。該方法可以接受其他未知物理學。并且可以加載該未知物理學的觀察結果參加訓練。”弗洛因德說。

該工作是使用位于UIUC的國家超級計算中心(稱為Blue Waters)的超級計算工具完成的，從而使仿真更快且更具成本效益。

下一步是在更真實的湍流中使用該方法。

“我們用來演示該方法的湍流是一個非常簡單的配置，” Freund說。“實際的流動更加復雜。我還想使用其中帶有火焰的湍流方法，這是一種附加的物理類型。我們計劃在容納Exascale的新型Scramjet設計中心繼續開發這種方法。在NCSA中。”

弗洛因德說，這項工作處于研究階段，但將來可能會對行業產生影響。