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，你正在教一个机器人预测水流如何绕过岩石或在盒子内部流动。通常，要教机器人做到这一点，你需要向它展示成千上万段水流视频（标注数据），让它通过示例进行学习。这就像通过向孩子展示一百万个其他孩子骑车的视频，来教他们骑自行车一样。
本文介绍了一种教机器人的新方法。我们不再向它展示视频，而是直接给出宇宙的法则（物理定律），并说：“你自己去推导。”机器人必须纯粹通过尝试遵守这些规则来学习水流，而无需任何先前的示例。这被称为“无监督学习”。
然而，这里有一个陷阱。当水流速度很快（高速）时，它会变得混乱且棘手。机器人之前尝试仅凭规则学习这些高速流体的努力往往以失败告终。它们会陷入困惑，导致水流神奇地消失，或表现出违背物理规律的行为。
问题所在：“漏水的桶”
在物理学中，水是不可压缩的，这意味着你无法将其挤压到更小的空间里。如果水流进一个房间，必须有等量的水流出来。如果你的机器人的预测不能完美地平衡这一点，那就好比一个底部有洞的桶；数学推导就会崩溃。
旧的方法试图强迫机器人遵守规则，但它们过于宽松。机器人会说：“我大体上遵守了规则”，但这对于快速、复杂的流动来说远远不够。
解决方案：一位严格且拥有特殊评分表的老师
作者构建了一个名为PECANN的新系统。你可以将其想象为一位使用特殊评分系统的非常严格的老师。
评分表（目标函数）： 老师不再仅仅要求机器人遵守基本的流动规则，而是给它一个具体且难以答对的测试：压力泊松方程。
- 类比： 想象你正在尝试平衡一摞盘子。基本规则说“别把它们弄掉”。但压力泊松方程就像一条具体的规则，规定：“这摞盘子必须绝对平整，否则整个结构就会坍塌。”机器人的主要目标是最小化这摞盘子的“晃动”。如果盘子晃动，机器人就知道自己错了。
严格的老师（约束条件）： 机器人不被允许仅仅接近答案。它必须精准命中目标。作者使用了一种名为CA-ALM（条件自适应增广拉格朗日法）的方法。
- 类比： 想象一个机器人正在走钢丝。旧的方法允许机器人稍微摇摆，并说：“这就够接近了。”而这种方法就像一位教练，大喊：“停！你偏离了 1 毫米！立刻修正！”教练会动态调整施加在机器人脚上的压力，直到它完美平衡。
辅助轮（自适应粘性）： 当机器人开始学习高速流动时，它会变得不稳定，可能会摔倒。为了提供帮助，作者添加了一个临时的“辅助轮”，称为自适应消失熵粘性。
- 类比： 这就像往水里加一点蜂蜜，让水流在机器人学习基础时变得更慢、更平滑。一旦机器人掌握了要领，蜂蜜就会神奇地消失，水流恢复自然状态。机器人是在没有蜂蜜的情况下学会高速流动的，但蜂蜜帮助它迈出了第一步。
他们证明了什么？
团队在三个著名的挑战上测试了这种新的“严格老师”系统：
- 移动顶盖（空腔流动）： 想象一个盒子，其顶盖前后滑动，带动内部的水流。他们在极高的速度下（雷诺数高达 7,500）对此进行了测试。
- 结果： 机器人完美预测了旋转的涡流（涡旋），与最好的传统计算机模拟结果一致，即使它从未看过任何训练视频。
- 三维扭曲（贝尔特拉米流动）： 一种复杂的、扭曲的三维流动，其拥有已知的数学解。
- 结果： 机器人的准确度远超之前的 AI 方法，压力和速度的预测误差极小。
- 圆柱体（绕圆柱流动）： 水流过圆柱体。在特定速度下，水流停止平滑流动，开始以有节奏的模式脱落涡流（漩涡）（就像旗帜在风中飘扬）。
- 结果： 这是“圣杯”。机器人从一个随机猜测开始，自发地推断出水流会开始摆动并脱落漩涡，而无需任何人指示它这样做。它捕捉到了摆动的确切节奏。
核心结论
该论文声称，通过改变机器人试图最小化的对象（专注于压力平衡）以及执行规则的严格程度（使用严格老师方法），他们最终解决了仅利用物理定律来模拟快速、复杂水流的问题。
他们是在不使用任何预录数据或“作弊”已知答案的情况下做到这一点的。机器人从零开始学习流动，仅仅是通过尝试完美地遵守物理定律。这是利用 AI 替代传统、重型流体动力学计算机模拟的一大步。
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。