JFM综述：AI重塑CFD的四大支柱与可信度基石

近年来，AI在计算流体力学（CFD）行业的迅猛发展，令众多工程师倍感压力：这到底是技术层面的颠覆性变革，还是仅仅是一场学术上的泡沫炒作？

近期，流体力学顶级期刊《Journal of Fluid Mechanics》刊载了一篇深度综述《Routes towards an effective AI in CFD: an epistemological and technical perspective》。作者 Michaël Bauerheim 没有局限于罗列算法，而是站在“认识论”的高度提出了核心问题：数学在物理学中屡试不爽，AI凭什么取而代之？

作者分析认为，数学的胜利并非偶然，而是依托于“四大有效性支柱”（PoEs）。若要在CFD中实现AI的真正落地，除了将这些支柱融入算法，还需构建一个补充基石——“可信度”（Credibility）。

若将AI比作一名正在钻研流体力学的“黑客”，它必须掌握四把关键钥匙，才能获得与传统数学方程相媲美的能力。

在物理学中，对称性往往对应着守恒定律（例如空间平移对称即动量守恒）。传统的黑盒神经网络缺乏内部物理约束，极易输出违背基本守恒定律的荒谬结果。

图注：纯数据驱动的传统神经网络（图a）与PINN（图b）的对比。PINN引入了方程残差的物理监督，从而保证了AI预测的结构连贯性。

流体力学本质是跨尺度的，宏观大涡流与微小耗散尺度并存。传统CFD依赖自适应网格（AMR）或湍流模型。然而，普通卷积神经网络（CNN）受限于“感受野（Receptive Field）”，难以兼顾长距离大尺度互动与局部细节。

图注：傅里叶神经算子（FNO）与隐式神经表示（INR）的架构图。这代表了AI在跨越单一分辨率、捕获多尺度流场特征方面的最高水平。

“如无必要，勿增实体。” 物理中最伟大的方程（如麦克斯韦方程组）都极度精简（稀疏），赋予模型强大解释力。反观当前深度学习，动辄百万级参数，显得臃肿且盲目。

图注：SINDy算法通过稀疏约束，成功从洛伦兹系统的复杂数据中提取出精简、准确的控制方程。

数学不仅是符号的堆砌（语法），更拥有深层“语义”，允许人类进行逻辑推演和抽象推理。

即便AI掌握了上述四大支柱，具备“有效性”，工程师也不敢轻易将其用于飞机设计等关键环节。究其原因，数学的底色是“严密证明”，而AI的底色是“概率和数据”。因此，作者提出了决定AI能否被科学界接纳的第五大支柱——可信度（Credibility）。建立可信度要求AI学会“自我怀疑”并量化以下两种不确定性：

为使AI具备此能力，学术界引入了深度集成（Deep Ensemble）和 Dropout 等技术。近期，一种名为ZigZag的新颖重入网络脱颖而出，它让网络将预测结果重新作为输入“再思考一次”，通过两次输出的差异（距离）精准判断模型对当前预测的自信度，甚至能识别模型未见的异常工况（OOD）。

图注：AI 学会“三思而后行”。ZigZag网络架构通过两次推理的距离判断不确定性，在预测翼型尾缘噪声时，提供了完美的置信区间。

文章最后指出，除上述基于传统物理逻辑演进的AI外，一种新范式正在兴起：生成式模型（如扩散模型）与流体基础大模型（Foundation Models）。例如，条件扩散模型（CLSDM）能生成多样化的三维叶片几何；流体大模型 FluidZero 更是展现出“万金油”般的泛化能力。

这类模型似乎违背了前文提到的“稀疏性”（参数极其庞大）和“语义明确性”（完全由海量数据驱动）。这不仅代表AI与CFD结合的前沿，更预示着我们可能需要重新定义评价计算模型有效性的“认识论”标准。

AI全面接管CFD绝非简单堆砌算力或运行黑盒网络。只有当AI深度融合数学的对称性、尺度分离、稀疏降维、逻辑语义（四大支柱），并建立牢不可破的不确定性量化体系（可信度基石），流体力学的大门才会真正向“数智时代”敞开！

【参考文献】

[1] Bauerheim M. Routes towards an effective AI in CFD: an epistemological and technical perspective. Journal of Fluid Mechanics. 2026;1031:P1. doi:10.1017/jfm.2026.11256