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
核心概念：将牛奶“还原”
想象你有一杯牛奶，然后滴入了一滴红色食用色素。如果你搅拌它，红色会扩散、旋转，最终与白色的牛奶完全混合。这就是正向时间：事物变得混乱、扩散，并失去了原有的形状。在物理学中，这被称为“扩散”。
现在，想象你想做相反的事情：你想观察那杯混合了粉红色的牛奶，并弄清楚在搅拌之前，那一滴红色到底在哪里。这就是逆问题。在现实世界中，这通常是不可能的，因为关于原始液滴的信息已经被“打乱”并永远丢失了。
这篇论文提出了一个问题：有没有办法把“搅拌过的牛奶”还原回去？ 具体来说，作者正在研究当我们尝试倒放流体运动的“电影”时，流体中的微小漩涡（涡旋）是如何表现的。
问题所在：“倒放时的模糊”
作者 Tsuyoshi Yoneda 解释说，如果你尝试在数学上倒着运行流体运动的方程，你会撞上一堵墙。这就像试图播放一段破碎花瓶自动重新组装的视频，但物理定律却说这些碎片应该继续飞散出去。数学会变得“病态”（ill-posed），这意味着数学模型会崩溃并给出无意义的结果。
然而，作者注意到了一件很酷的事情：描述流体混合方式的数学公式（纳维-斯托克斯方程，Navier-Stokes equations）与现代 AI 图像生成器（扩散模型，Diffusion Models）所使用的数学非常相似。
- AI 图像生成器： 这些 AI 工具的学习方式是：先取一张清晰的照片，不断添加随机噪声直到它变成纯粹的静态噪声，然后学习如何去除这些噪声以找回原图。
- 两者的联系： 作者意识到，AI 中的“噪声”在数学上与流体中的“黏性”（厚度/摩擦力）是非常相似的。
解决方案：“得分”函数（Score Function）
为了修复失效的逆向数学，作者借鉴了 AI 中的一个技巧，叫做得分函数（Score Function）。
你可以把得分函数想象成一个为迷失粒子提供的 GPS。
- 正向时间： 一个粒子在随机移动，就像一个在浓雾中踉跄前行的醉汉。它在不断扩散。
- 逆向时间： 我们想要引导这个粒子回到它的起点。这个“得分（Score）”就是一个信号，它告诉粒子：“嘿，你现在位于位置 X，但你最有可能的来源位置是在左边一点点。”
作者的大胆想法是将那些混乱、破碎的数学逻辑（即“倒放时的模糊”）吸收进这个 GPS 信号中。与其去硬碰硬地对抗数学规律，不如让 AI 直接从数据中学习这个 GPS 信号（即“得分”）。
实验：拉伸与挤压
作者设置了一个特定流体流动的模拟实验，这种流动被称为 Burgers 涡旋。想象一块面团在一个方向上被拉长（拉伸），同时在另一个方向上被挤压（压缩）。
他们使用了一个神经网络（一种 AI 类型）来学习逆转这一过程所需的“GPS 信号”。他们追踪了数千个微小粒子的正向运动轨迹，然后尝试利用 AI 将它们拉回到起始点。
结果：什么是丢失了，什么是被保留了？
实验揭示了流向中两个方向之间有趣的差异：
挤压方向（压缩）：
- 类比： 想象你在挤压一块海绵。水分被挤了出来，海绵变小了。
- 结果： 当流体被挤压时，关于粒子起始位置的信息会迅速丢失。即使有 AI 的帮助，也很难猜出粒子最初来自哪里。此时，“GPS”信号太弱，无法找回过去。论文称之为“信息耗散”。
拉伸方向：
- 类比： 想象你在拉扯一块太菲糖（Taffy）。它变得又长又细，但两端依然清晰可辨。
- 结果： 在流体被拉伸的方向上，关于起始位置的信息被很好地保留了下来。AI 可以成功地将粒子拉回到它们的原始位置。
结论
论文得出结论：在湍流中，信息的丢失在不同方向上是不平等的。
- 如果流体正在被挤压，粒子的历史会被快速且永久地抹除。
- 如果流体正在被拉伸，历史信息仍然可见，并且可以被重建。
作者认为，这种“信息耗散”是湍流实现自我组织的一个基本组成部分。通过使用 AI 来学习“得分”（即 GPS 信号），我们终于可以看清，根据流体是被拉伸还是被挤压，究竟有多少“过去”能在混乱的“现在”中幸存下来。
简而言之： 这篇论文利用 AI 技术对流体运动进行逆向工程。研究发现，虽然你通常可以“还原拉伸后的流体”来看到它的过去，但你通常无法“还原挤压后的流体”，因为信息在过程中已经被摧毁了。
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。