本文介绍了一种新型的 AI 捷径，称为“神经算子”（neural operator），专门用于预测水流围绕类似鳗鱼的柔软游泳生物时的流动情况。研究人员构建了这些 AI 模型，使其成为高保真模拟的“快进键”。神经算子不再通过逐步求解沉重的物理方程，而是学习水流围绕变形物体运动的模式。他们利用来自二维（2D）和全三维（3D）鳗鱼游泳者的详细计算机模拟数据来训练这些模型。AI 被教导去观察某一时刻水的速度、旋度（vorticity）和压力，结合游泳者的形状和水的粘性（雷诺数），然后精确预测在极短的一瞬间后，这些场（fields）会呈现出怎样的状态。
结果表明，这种方法非常具有前景，尽管并不完美。对于扁平的二维鳗鱼，即使是在 AI 从未见过的运动路径上，该 AI 预测整个水流场的全局误差也仅为 3.51%，即便这些路径涉及比 AI 见过更快的流速。对于更复杂的三维鳗鱼，团队使用了三个独立的 AI 模型：一个用于速度，一个用于旋度，一个用于压力。这些模型在速度预测方面表现出色（误差为 3.44%），在旋度预测方面也达到了令人印象深刻的准确度（误差为 5.58%）。然而，压力预测则更为棘手，其误差率较高，达到了 19.2%。作者指出，虽然 AI 掌握了水流的大致轮廓，但有时在处理压力的微小精确细节以及连接速度与旋度的严格数学规则时会遇到困难。
至关重要的一点是，本文并未声称已经解决了水下运动问题，也没有声称完全取代了传统的物理模拟。作者明确指出，这些结果是基于具有预设编程游泳动作的计算机模拟，而非使用实际机器人或鱼类的真实世界实验。他们还指出，这些模型并未在全新的游泳者形状或游泳风格上进行测试，而仅是在其训练范围内的不同速度下进行了测试。这项研究表明，虽然这些神经算子是加速设计和分析的强大工具，但未来的工作需要专注于提高压力预测的准确性，并确保 AI 严格遵循物理定律，而不仅仅是猜测正确的数字。这项工作证明了场分辨率 AI 代理模型在处理运动边界流（moving-boundary flows）方面的可行性，但这仅是一个概念验证，远未达到最终解决方案的程度，强调了在这些工具能完全用于工程设计之前仍需进一步开发。