西北工业大学航天学院副院长秦飞 为大家带来的演讲主题是：AI+CFD，面向空天能源的迷信机器学习新办法与新范式。
它次要分为三局部：
- 空天能源背景以及数字化智能化的趋势。
- 空天能源全生命周期的数字孪生。
- 后果和瞻望
WAVE SUMMIT+2021 深度学习开发者峰会
【穿插前沿，AI 共拓】论坛
空天能源背景
及数字化智能化的趋势
新一代信息技术的倒退，推动各行各业向数字化、网络化、智能化的方向倒退，一直催生全新的技术、业务状态和模式，同时也引起了更为强烈的技术竞争。国家“十四五”智能制作倒退布局中，“数字孪生”这个词语被屡次援用，“数字孪生”也成为新一轮科技和企业改革的驱动力量。“数字孪生”的概念是指在虚拟空间内实在事物的动静孪生体。借由传感器，本体的运行状态以及外部环境数据均可实时映射到孪生体当中。
另一方面，以航天技术倒退角度来说，人们对空间资源利用和深空探测的需要越来越强烈，依附传统运载火箭进行航天发射曾经难以满足疾速进出空间迫切需要。吸气式重复使用航天运输系统是寰球疾速达到，以及便宜、疾速、牢靠、便捷进出空间的核心技术，是各航空航天大国竞相抢占的技术制高点。
这个技术岂但能够作为高超声速飞机能源，还可能在一般机场程度起降实现卫星发射，因而，吸气式重复使用航天运输系统的能源曾经成为疾速响应航天运输最潜在的能源模式之一。同时为了适应将来越发简单和频繁的多任务需要，航天运输系统要具备分布式、无人化、弹性化以及智能化特色，其核心技术之一是便是“数字孪生”体系建设。
综上所述，对于下一代基于吸气式重复使用航天运输系统，AI 技术将极大撑持空天能源数字孪生体系的构建。
空天能源全生命周期 的
数字孪生
空天能源全生命周期的数字孪生体系次要分为三个大的阶段：第一是 设计阶段 ，第二是 制作阶段 ，第三是 退役阶段。
智能设计阶段造成基于机器学习的仿真模仿和人工智能计划生成，实现智能计划的生成、优化与定型，大大放慢了研发的速度；智能制作阶段基于虚构映射技术，生产过程中的缺点、公差都能够反映到数字模型当中，为后续退役的寿命监控等提供根底数据；智能退役阶段基于机器学习的仿真模型，交融虚实映射实现航行物理状态、实现航行状态的空天映射以及将来状态智能监测、智能危险预测。
通过下面的论述咱们明确了空天能源数字孪生的外围是如何将数字空间与事实空间进行实时连贯，并且进行实时预测，实现上述能力的外围有两个模型：
第一个是 虚构映射模型 ，通过物理空间感知技术和反演技术，实现实时的物理与数字空间链接；第二个是 仿真计算模型，通过高精度、实时的性能计算模型，实现对物理空间的实时预测，最初能力实现智能化。
因而，模型是撑持数字孪生基石。而当初，模型也不再是繁多的物理模型，将基于 AI 的常识与历史大数据的交融模型，是常识与数据的结晶。上面针对两个模型，把咱们团队研究成果进行简要介绍：
1. 虚实映射模型
次要用于发动机制作过程和航行过程，通过植入发动机电子传感器制作过程当中感知发动机是否存在伤害或者变形以及航行过程中感知发动机工作状态一些信息。对发动机来讲，传统传感器也能够取得发动机要害参数，但这些参数信息很零散，因而必须采取重构技术，将这些零散的信息转为间断的场信息，构建由物理空间的传感器到虚构的数字镜像，最初对该状态进行预测。
这里咱们以一个发动机作为例子：实现对发动机数据、流场的重建，通过传感器测量失去温度场是低分辨率，蕴含大量噪声信息的，如何通过 Unet 深度神经网络重构出高分辨率温度场，通过验证表明基于机器学习温度场重构的精度优于个别的插值办法，误差更低，峰值性噪比更高。
2. 智能仿真模型
以后基于求解物理方程的仿真办法，计算精度与计算效率矛盾突出。比方一个大型发动机的精细化焚烧流场计算，在超算上可能要消耗几千天，而这样的计算量对于工程设计是无奈承受的。
传统数据办法通过几十年倒退曾经进入了瓶颈，咱们须要使用机器学习办法对仿真计算进行减速，机器学习的办法在以前少数用于图片辨认、主动驾驶，那对于这种物理场的求解和上述问题有什么异同？
首先相同点是数值仿真的能够认为是工夫序列的数据集，即有监督学习。然而又有不同点，就是样本绝对几十万的大数据来讲，样本量是比拟小的。另外，最要害的区别在于其有物理背景，预测值须要合乎物理法则，比方质量守恒等。鉴于以上特点，咱们对机器学习在物理问题中的利用，采纳了三个不同的思路，三种思路利用对象也不同。
①第一个层级是，咱们仅仅对仿真过程中求解的物理方程中计算量最大的项进行机器学习建模，也就是这个偏微分方程中的 S 项，次要反馈的焚烧过程。
②第二个层级就是端到端，行将物理方程的求解后果，作为工夫序列数据来进行学习，取得一个大抵能够预测工夫序列的模型。
③然而，咱们如果间接利用现有的机器学习办法进行工夫序列学习，发现会存在很多非物理的预测后果，因此，倒退了第三个层级，基于物理机器学习的办法。
第一个层级基于传统学习办法，将方程中 S 项数据独自导出，通过机器学习进行聚类，每个子类利用神经网络进行学习，造成基于机器学习的焚烧计算模块。 以发动机大涡模仿焚烧为例子，通过机器学习利用神经网络进行学习与传统的动静自适应化学办法的计算精度是相当的，计算效率方面机器学习有 5 倍减速，可见机器学习办法还是比拟无效的。
第二个层级，对于整个仿真过程进行端对端建模， 首先通过扭转台阶高度和地位参数，构建台阶非稳态数值模仿数据库，输出一百个样本对，应用一个蕴含工夫序列 Unet 构造进行训练，实现训练后，即可取得基于机器学习的疾速求解器，输出台阶的参数即可取得非稳态数值模仿后果。
后果来看，咱们可取得非稳态的计算结果，对后果的预测工夫大幅度提高。然而，咱们能够发现其中存在非物理的景象。实质是因为 Unet 网络将其视为特色，进行了图像的特色辨认与匹配。
上述结果表明间接通过机器学习办法求解物理问题存在非物理后果，2018 年，Raissi 等人引入了“物理信息神经网络”（Physics-informed neural networks, PINN)，将偏微分方程及其边界条件放在损失函数中对预测值进行束缚，使神经网络的预测值满足偏微分方程组，通过这种办法，能够将预测值束缚于物理方程，从而实现物理量的守恒。
物理机器学习的外围就在于损失函数的构建，思考将损失函数定义为加权求和的 L2 范数方程和边界条件的残差。比方对于一维瞬态对流扩散方程，他的损失函数 Lf 中就蕴含了该方程，训练过程中会保障 Lf 趋于 0，即保障了物理方程。
利用该办法构建纯流动交互式模型能够实现实时的数值模仿，取得基于机器学习的求解器无需划分网格，构型、边界实时可变，能够实时扭转形态和地位，对于未来工程优化十分无利。
以后面提到的超音速台阶为例，结构蕴含管制方程的损失函数，超音速的管制方程的复杂度较上文简单了很多，非线性也更强。
上面给出咱们损失函数当中蕴含物理方程模式，右上角给出物理方程失去的后果，把传统计算结果作为真值输出应用。在网络结构训练方面，输出汇合了边界条件、网络坐标以及故事留长，训练应用过程当中用主动微分办法对损失函数高阶函数进行求解，预测过程只须要物理机器学习网络，即可自行求解，取得输入的后果。
这里给出了模型计算的后果（如下图），最上为传统数值模仿 CFD 的计算结果，作为真值，两头后果为蕴含物理束缚的机器学习仿真后果，最下为不含物理束缚的机器学习仿真后果。能够看到不含物理束缚的机器学习仿真后果对于该问题，无奈一直自行迭代取得正确的后果，而物理机器学习仿真后果和 CFD 计算结果基本一致，可能实现简单物理过程的守恒预测。同时，预测计算效率较 CFD 进步了 500 余倍。如果咱们将其部署于部署于 APU，可实现实时的仿真与预测。
后果和瞻望
综上所述，传统的建模办法无奈实现又快又好的模型建设，基于机器学习的模型将是推动数字转型的外围，。但与此同时，如何构建工程可信的机器学习办法与体系又是咱们须要解决的问题，咱们置信人工智能的办法在空天能源的利用将大有可为。
除了 AI+CFD，本周六下午，飞桨博士会第 11 期线下交流会将带来 AI+Science 的另一个畛域的前沿分享：AI+ 生命科学。
此次交流会由飞桨与百图生科联结出品，邀请了三位行业专家，围绕人工智能技术在细胞图像数据处理、基因组数据挖掘、蛋白质构造钻研、药物合成等畛域的利用，探讨人工智能如何赋能生命科学。