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，你正在教一台机器人如何预测汽车或船只后方烟雾的旋涡。这是一个被称为“湍流建模”的问题。科学家使用复杂的数学（模拟）来解决它，但他们使用的标准数学就像一把钝器——它经常搞错细节，尤其是在物体后方混乱的尾流中。
为了解决这个问题，本文的研究人员利用机器学习发明了一种新的、更聪明的数学公式。然而，教机器发明物理公式是棘手的。如果你让机器肆意妄为，它往往会创造出一些在纸面上看起来不错，但会导致计算机模拟崩溃、冻结或产生“幽灵”（违反物理定律的结果）的公式。
以下是本文如何简单解释地解决这个问题的：
1. 问题：“野孩子”学习者
将机器学习过程想象成一位老师试图训练 256 名学生（候选公式）来解一道谜题。
- 旧方法（基线）： 老师让每个学生长时间（数千步）致力于解谜。如果某个学生的答案导致教室爆炸（计算机崩溃），或者他们写下了一个物理上不可能存在的数字（如负能量），老师只有在学生浪费了数小时工作后才会发现。这极其缓慢且昂贵。
- 问题所在： 许多这些“糟糕”的公式在数学上是不稳定的或“不可实现的”（它们打破了现实规则），但计算机直到为时已晚才意识到这一点。
2. 解决方案：“三级安检”
作者创建了一个名为RR-GEP的新系统。他们不再让每个学生工作到最后，而是设立了一个带有三道关卡的严格安检站。如果学生未能通过某道关卡，他们会被立即踢出局，从而节省时间和能量。
- 关卡 1：“是否爆炸？”检查（残差检查）
想象一名学生正在解数学题。如果他们的数字开始剧烈跳动或变得巨大，老师会立即叫停他们。这能捕捉到那些会导致计算机崩溃的公式。 - 关卡 2：“你在进步吗？”检查（收敛性检查）
如果数字没有爆炸，老师会问：“你离答案更近了吗？”如果学生陷入死循环，毫无进展，他们就会被遣送回家。这能阻止那些只是浪费时间却解决不了任何问题的公式。 - 关卡 3：“这说得通吗？”检查（可实现性检查）
这是最重要的新功能。即使学生数学解对了且没有崩溃，他们的答案在现实世界中仍可能是不可能的。- 类比： 想象一名学生说：“风速是每小时 100 英里，但空气的重量是负的。”数学可能是对的，但物理是错的。
- 研究人员使用一张特殊的地图（称为重心图）来检查学生的答案是否落在“现实三角形”内。如果答案落在这个三角形之外，它会被立即拒绝。这确保了新公式遵守基本的物理定律。
3. 结果：更快、更智能
通过使用这种三级过滤器，研究人员取得了一些令人瞩目的成果：
- 速度： 他们将训练 AI 所需的时间缩短了42%。他们停止在注定失败的公式上浪费时间。
- 质量： 在旧方法中，近**60%的最终公式在物理上是不可实现的（“不可实现的”）。在他们的新方法中，这一比例降低到了2%**以下。
- 性能： 他们发现的公式不仅稳定，而且在预测物体后方的“尾流”（旋转的空气/水）方面实际上更出色。它们比旧的标准方法更准确地预测了旋涡区域的大小。
4. 它适用于其他事物吗？
研究人员在简单的圆形圆柱体（像一根伸入水中的管子）上训练了 AI。然后，他们在完全不同的形状上测试了它：
- 矩形圆柱体（像一块砖）。
- 翼型（飞机的机翼）。
- 潜艇形状（DARPA Suboff）。
尽管 AI 仅在圆形管道上进行了训练，但它成功预测了砖块、机翼和潜艇的尾流。它不仅仅是记住了管道；它学习了湍流如何运作的底层规则，并且在所有这些新情况下，它都保持了这些规则的“真实性”（物理上可行）。
总结
本文提出了一种教计算机发明物理公式的新方法。与其让计算机盲目猜测并希望它不崩溃，他们设立了三道“护栏”。这些护栏阻止计算机在坏主意上浪费时间，并确保它发明的每一个最终公式都遵守物理定律。这使得预测流体如何绕物体运动的过程更快、更便宜，也更加可靠。
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。