原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图让一条混乱、漩涡翻滚的河流平稳流动，以便船只能以更少的阻力通过。这就是湍流控制所面临的挑战。湍流是流体（如空气或水）中那种杂乱无章、漩涡翻滚的运动，它会产生阻力，迫使汽车、飞机和船只为了克服这种阻力而消耗更多燃料。
长期以来，科学家们一直试图通过经验法则，或试图抑制特定、已知的漩涡模式来驯服这种混乱。但本文提出了一种更聪明的方法：利用一种特殊的人工智能，教会计算机以不同的方式“看见”这种混乱。
以下是他们所做工作的简要说明：
问题所在：对抗错误的敌人
将湍流想象成一个挤满了疯狂跳舞的人的房间。
- 旧方法（“对抗”控制）： 想象一名保安试图通过抓住任何跳起来的人并将他们按下去来阻止跳舞。这被称为“对抗控制”。它虽然有效，但略显笨拙，且消耗大量能量。
- “直接阻力”方法： 想象一位教练只是大喊：“别动得那么厉害！”却没有告诉舞者如何停下来。舞者（即人工智能）试图停止运动，但他们常常感到困惑，或者徒劳地挥舞能量。
- “相干结构”方法： 科学家们知道舞蹈中存在特定的模式，比如“喷射”（人们跳起）或“扫掠”（人们俯冲）。他们曾尝试教会人工智能仅阻止这些特定动作。这有所帮助，但并非最高效。
新解决方案：“超级翻译器”（XDL）
作者结合了两种强大的工具：
- 深度强化学习（DRL）： 一种通过试错进行学习的计算机智能体，就像试图通关的视频游戏角色。
- 可解释深度学习（XDL）： 一种“翻译器”，它审视计算机的“大脑”并指出：“等等，你不仅仅是在观察舞者；你实际上是在关注房间内导致混乱持续存在的具体能量。”
他们使用了一种名为SHAP的数学工具（它就像一支荧光笔），向人工智能展示流体漩涡中哪些部分对维持湍流最为重要。他们不再告诉人工智能“停止阻力”或“停止跳跃”，而是告诉它：“停止那些由人工智能自身识别为混乱根源的特定能量模式。”
结果：更聪明，而非更费力
当他们用这种新的“基于 SHAP"的人工智能与旧方法进行测试对比时，结果令人惊讶：
- 更好的阻力降低： 新人工智能将阻力降低了33.7%。这比直接针对降低阻力进行训练的人工智能（31.9%）更好，也远优于那些试图阻止特定舞蹈动作的人工智能。
- 能源效率： 这是重大胜利。新人工智能不仅效果更好，而且成本更低。与“直接阻力”人工智能相比，它仅使用了一半的能量就取得了相同的效果。
- 类比： 想象两个人试图推动一辆沉重的汽车。一个人拼尽全力推，却打滑并浪费了能量（直接阻力）。另一个人找到了完美的推力角度，用更小的力将车推得更远（基于 SHAP 的方法）。
- 净节省： 当你从平滑流动所节省的燃料中减去人工智能用于控制流动所消耗的能量后，新方法比最佳直接阻力方法多节省了**18.1%**的净能量。
“零样本”奇迹
通常，如果你训练机器人驾驶一辆小型玩具车，它并不知道如何驾驶真正的卡车。你必须重新训练它。
- 作者在一个小型、简单的湍流模拟中训练了他们的人工智能。
- 然后，他们在更大、更复杂的模拟中，甚至在不同类型的流动（空气流过表面）中测试了它。
- 结果： 人工智能无需任何重新训练即可完美工作。这就像在模拟器上训练一名飞行员，然后让他第一次尝试就成功降落了一架真正的飞机。
为何这很重要
该论文声称，通过使用这种“可解释”的人工智能，他们不仅找到了更好的技巧，而且获得了对湍流的因果理解。他们不再猜测要阻止哪些漩涡模式，而是让人工智能客观地识别出维持湍流燃烧的“燃料”，并切断该燃料。
总之： 研究人员教会了人工智能观察一种混乱的流体，弄清楚它为何混乱，然后轻轻推动那些特定部分以使其平静下来。这种方法速度更快、能耗更低，并且无需重新训练即可适用于不同类型的流动，为提升交通效率提供了一种强有力的新途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。