图 利用实验室测量的稀疏数据预测圆柱绕流流场

　　在国家自然科学基金项目（批准号：11927802）资助下，北京航空航天大学杨立军教授团队与中国人民大学孙浩教授合作在非定常流场智能预测方面取得进展。研究成果以“生成式模型推演时空物理场（Learning spatiotemporal dynamics with a pretrained generative model）”为题，于2024年12月6日发表在《自然•机器智能》（Nature Machine Intelligence）杂志上。论文链接为：https://www.nature.com/articles/s42256-024-00938-z。

　　通过稀疏测量数据推演非定常三维流场是实验流体力学领域前沿科学问题。针对此问题，研究团队提出了一种基于扩散生成模型的非定常流场智能预测方法S³GM（Sparse-Sensor-assisted Score-based Generative Model）。S³GM 方法可分为两个阶段，预训练阶段：S³GM在通过流体力学先验知识获取的非定常物理场数据上进行基于扩散模型自监督预训练，联合建模系统状态变量和参数之间的复杂动力学关系，并通过时空分离的注意力机制来减缓算力消耗；生成阶段：利用预训练的扩散模型作为先验，结合稀疏的传感器数据进行后验采样来对非定常流场进行重建和预测。研究团队展示了S³GM 利用仅在仿真数据上预训练的模型，成功从真实流场的极稀疏测量数据中重构出流场信息，能够准确预测圆柱绕流、湍流、燃烧扩散及其他众多复杂系统的动态演化过程，相比于传统的“端到端”训练方式具有更好的泛化能力和鲁棒性。

　　研究团队所提出的智能预测方法融合了物理先验知识与实验测量数据，为燃烧室内燃烧流场智能感知提供了新的思路。