🔬 physics

From Classical to Quantum Turbulence: A Unified FNO×RG Framework Across Six Physical Systems

本文引入了一个统一的 FNO×RG 框架，该框架通过桥接谱学习与威尔逊粗粒化方法来分析六种不同的湍流系统，在成功重现既定普适类性的同时，揭示了跨越经典、量子及活性物质领域的崭新多重竞争不动点结构与标度律。

原作者： Dehai Wang

发布于 2026-07-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Dehai Wang

原始论文采用 CC BY 4.0 许可（https://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，宇宙中充满了看不见的、混乱的河流。这些不仅仅是水；它们是飓风中旋转的风、恒星中翻腾的等离子体、超冷液氦的流动，甚至是微小的细菌在水滴中疯狂游动的动作。科学家们将这种混沌运动称为“湍流”（Turbulence）。一个多世纪以来，试图精确预测这些流体如何运动一直是物理学中最令人头疼的问题之一。这就像是在试图预测一场风暴中每一片叶子的精确路径，而风的方向每秒钟都在发生变化。

为了理清这一团乱麻，科学家使用了两种主要工具。第一种是被称为“标度律”（Scaling Laws）的一套数学规则，它就像一张粗略的地图，告诉我们能量是如何从巨大的漩涡传递到微小的涟漪的。第二种是被称为“重整化群”（Renormalization Group, RG）的强大数学框架。你可以把 RG 想象成一个神奇的相机镜头，它可以让你对流体进行放大和缩小。当你向外缩放时，那些微小而混乱的细节会变得模糊，你就能看到支配整个系统的宏观且平滑的模式。目标始终是寻找一把“万能钥匙”或一条普适规则，用以解释所有这些不同情况下的湍流——从我们呼吸的空气到原子内部的量子流体。

现在，王德海（Dehai Wang）的一项新研究提出了一种巧妙的方法，通过将传统数学与现代人工智能相结合来破解这个密码。作者构建了一个“三阶段流水线”，它就像一个侦探团队。首先，他们使用一种特殊的 AI，称为“傅里叶神经算子”（Fourier Neural Operator, FNO）。你可以把 FNO 想象成一名超级聪明的学生，他观看数小时关于流体旋转的高速视频（来自计算机模拟和真实实验），并学习能量是如何移动的隐藏模式。它不仅仅是在背诵视频内容，而是在学习底层的“游戏规则”。

在第二阶段，AI 发现的规律被输入到“Wetterich 方程”中，这是 RG 相机镜头的严谨数学引擎。这一步将 AI 学到的模式强行纳入严格的物理定律中，确保结果不仅仅是运气好猜中了，而是有据可依。最后，在第三阶段，团队通过分析结果来寻找“不动点”（Fixed Points）。想象一颗在大坑洼不平的山坡上滚动的弹珠，山坡上有好几个谷底。无论你从哪里丢下弹珠，它最终都会滚入其中一个谷底并停下来。在湍流中，这些“谷底”就是稳定的状态或“不动点”，在这些点上，流体的行为变得可以预测。

该论文将这一 FNO×RG 框架应用于六种截然不同的物理系统：标准类水湍流、量子湍流（在超冷氦中）、可压缩湍流（空气被挤压的情况）、磁流体（MHD）、分层流体以及“活性物质”（如细菌群）。结果非常引人入胜。对于标准类水湍流，该方法成功重现了已知规则，甚至从头推导出了著名的 She–Leveque 公式，并通过 18 项不同的测试，表现出极高的准确性。

然而，最令人兴奋的发现是，在六个系统中的五个里，并不只有一个谷底，而是存在多个相互竞争的谷底。例如，在量子湍流中，流体可以根据微小涡旋线的“极化”程度而稳定在两种不同的模式中。在磁流体中，系统可以根据磁场强度的不同而在两种不同的能量模式之间切换。在活性物质（细菌）中，流体可以根据细菌是在推动还是在拉动，稳定在两种不同的状态之一。论文指出，这种“多不动点”结构是湍流的一个共同特征：系统拥有几种可能的稳定行为，而一个单一的控制旋钮（如速度、温度或磁强度）决定了哪一个会胜出。

虽然对于标准湍流的结果非常有力且符合现有数据，但论文也指出，量子湍流和活性物质的一些预测仍需等待现实世界的实验来证实。作者谨慎地表示，尽管这些模式看起来具有普适性，但仍需要更多的测试来确保准确。但大局已然清晰：通过让 AI 学习混乱的细节，再利用严密的数学进行整理，我们或许终于窥见了宇宙中那些旋转流体背后隐藏的统一结构。

技术摘要：从经典湍流到量子湍流：一个统一的 FNO×RG 框架

问题陈述

湍流在物理学领域仍是一个碎片化的领域，缺乏一个能够统一其在不同物理领域中多样化表现的单一理论框架。从历史上看，其描述是孤立的：不可压缩纳维-斯托克斯（NS）湍流依赖于 Kolmogorov-Obukhov (K41) 理论和间歇性修正（如 She–Leveque）；超流体中的量子湍流涉及相互竞争的 Kozik–Svistunov (KS) 与 L'vov–Nazarenko (LN) 能谱理论；而可压缩、磁流体力学（MHD）、分层以及活性物质流则拥有各自的唯象模型（如 Iroshnikov–Kraichnan、Bolgiano–Obukhov）。重整化群（RG）方法提供了形式化的闭合机制（如 Martin–Siggia–Rose、泛函 RG），但通常依赖于微扰近似，难以处理非微扰物理。相反，像傅里叶神经算子（FNO）这样的机器学习方法提供了强大的谱学习能力，但缺乏 RG 理论中用于提取普适固定点和临界指数的严谨理论基础。

方法论：FNO×RG 三阶段流水线

本文提出了一个统一的框架——FNO×RG，它通过一个三阶段流水线将谱学习与 Wilsonian 粗粒化过程联系起来：

第一阶段：FNO 谱学习
- 训练傅里叶神经算子（FNO）以学习直接数值模拟（DNS）或实验数据中的尺度相关谱闭合函数 $\Gamma_\kappa$ 。
- 该函数编码了有效涡粘度 $\nu_{\text{eff}}(\kappa)$ 和重整化三点顶点 $V_{\text{eff}}(\kappa_1, \kappa_2, \kappa_3)$ 。
- 架构采用 4 层傅里叶层，每层包含 64 个模态，提升维度为 128。训练目标是最小化源自能量谱 $E(\kappa)$ 与非线性能量传递函数 $T(\kappa)$ 之间精确关系的谱闭合误差。
第二阶段：Wetterich RG 嵌入
- 将学习到的闭合函数 $\Gamma_\kappa$ 嵌入到有效平均作用量 $\Gamma_k[\phi]$ 的精确 Wetterich 泛函 RG 方程中。
- 该框架不再使用二阶泛函导数 $\Gamma_k^{(2)}$ 的微扰近似，而是代入由 FNO 学习到的非微扰修正： $\Gamma_k^{(2)} \to \Gamma_{k,\text{pert}}^{(2)} + \delta\Gamma_{k,\text{FNO}}^{(2)}$ 。
- 采用 Litim 正则化器以确保定义良好的固定点结构，并便于进行解析指数提取。
第三阶段：固定点提取
- 围绕固定点分析线性化的 RG 流矩阵，以提取临界指数、反常维度和稳定性性质。
- 该框架识别固定点（ $\beta$ 函数的零点）、相关/无关方向（稳定性矩阵的特征值）以及连接不同固定点的交叉轨迹。

核心贡献与结果

该框架被应用于六个截然不同的物理系统，揭示了多重竞争固定点的模式（在六个案例中的五个中均有体现）。

1. 不可压缩纳维-斯托克斯湍流

结果： 该框架得出了条件涡粘度指数 $\eta_\nu = 4/3$ （由伽利略不变性 Ward 恒等式 $z = 2 - \eta_\nu$ 与 $z=2/3$ 推导得出）。
She–Leveque 公式： 它从第一原理出发，在无需调节参数的情况下推导出了 She–Leveque 标度公式 $\zeta_p = p/9 + 2[1 - (2/3)^{p/3}]$ ，并将耗散结构识别为片状结构（余维数为 1）。
验证： 模型通过了 18 项独立测试（DNS、实验、理论）的验证。结果包括 3 项确认的新颖预测、8 项已知结果的复现以及 0 项被否定的结果。
固定点： 发现了一个唯一的各向同性固定点，并在各向异性扰动下出现了一个次级分叉固定点。

2. 量子湍流

结果： 分析揭示了受极化控制的交叉现象，即 KS 能谱（ $E(k) \propto k^{-7/5}$ ）与 LN 能谱（ $E(k) \propto k^{-5/3}$ ）之间的转换。
机制： 涡线极化 $P$ 作为一种 RG 相关算子。存在一个临界极化度 $P_c \approx 0.31$ ，它分隔了两个区域：高极化（ $P > P_c$ ）将流吸引至 KS 固定点，而低极化（ $P \approx 0$ ）则将其吸引至 LN 固定点。
状态： 这些预测尚需实验验证。

3. 可压缩湍流

结果： 推导出了与马赫数相关的 $\beta$ 函数： $\beta(\text{Ma}) = -(5/3 + 2\alpha \text{Ma}^2)/(1 + \alpha \text{Ma}^2)$ 。
交叉： 这预示了从 K41 $k^{-5/3}$ 能谱（不可压缩极限）到类 Burgers $k^{-2}$ 能谱（超音速极限）的连续转变，且交叉发生于 $\text{Ma} \approx 0.91$ 附近。
固定点： 一个由马赫数参数化的连续固定点线连接了 K41 和 Burgers 区域。

4. 磁流体力学（MHD）湍流

结果： 框架确认了双惯性亚区结构：在大尺度处为 Iroshnikov–Kraichnan (IK) 区域（ $k^{-3/2}$ ），在小尺度处向 K41 区域（ $k^{-5/3}$ ）过渡。
验证： 该结构与来自 Cluster 和 Parker Solar Probe 任务的太阳风数据一致。
新颖性： 识别出了一个“螺旋度屏障”，高交叉螺旋度会抑制湍流级联，解释了观测到的太阳风中“阿尔芬（Alfvénic）”状态。

5. 分层湍流

结果： 识别出了三固定点结构：K41 ( $k^{-5/3}$ )、Bolgiano–Obukhov ( $k^{-11/5}$ ) 以及 2D 极限 ( $k^{-3}$ )。
机制： 浮力耦合的标度维度 $[g_b] = -1$ ，使其在紫外（UV）端是无关的（在小尺度上稳定 K41），但在红外（IR）端是相关的（在大尺度上驱动 BO 区域）。
相图： 主导固定点取决于 Froude 数 ($Fr $) 和浮力雷诺数 ($ Re_b$)。

6. 活性物质湍流

结果： 框架解决了关于向列型活性湍流固定点（NATFP, $k^{-1}$ ）与压力活性湍流固定点（PATFP, $k^{-8/3}$ ）之间的争议。
机制： 两者都是真实的固定点。观测到的能谱由活性-压力比 $\Pi_a$ 决定。具有强活性的伸展型系统倾向于 NATFP，而收缩型或压力主导型系统则倾向于 PATFP。

跨系统模式与意义

论文识别了这六个系统中存在的几种普适模式：

多固定点原则 (MFPP)： 六个系统中的五个都表现出多个竞争的固定点，这表明湍流并非单一现象，而是一系列由物理控制参数（如马赫数、极化度、Froude 数）选择的动力学状态。
反常维度聚类： 所有系统的反常维度 $\eta$ 都紧密聚集在 $\bar{\eta} = 0.039 \pm 0.005$ 附近，表明这是一个类普适的湍流系统量。
稳定性层级： 较简单的固定点（更接近高斯分布）通常是 UV 稳定的（小尺度），而复杂的固定点则是 IR 稳定的（大尺度）。

意义声明

作者声称 FNO×RG 框架提供了一种数据驱动且受理论约束的统一湍流研究方法，其特点在于：

统一不同领域： 它将单一的流水线应用于经典、量子及活性湍流系统。
解决争议： 它通过将先前冲突的理论（如 KS vs. LN, NATFP vs. PATFP）识别为同一 RG 流中的不同固定点，提供了解释机制。
从第一原理出发： 它在没有人为假设的情况下，从底层方程推导出唯象公式（如 She–Leveque）。
预测转变： 它能够根据可调控制参数预测湍流行为的定性转变。

局限性

论文承认存在以下局限性：

数据依赖性： FNO 需要高质量的 DNS/实验数据，而对于某些系统（如量子湍流）而言，这类数据非常有限。
有限尺寸效应： DNS 分辨率限制可能会污染大尺度固定点的分析。
截断问题： 分析对有效作用量的导数展开进行了截断，可能遗漏了在强各向异性或拓扑系统中的高阶效应。
样本量： 对普适性的主张基于六个系统，需要在更多系统（如旋转湍流、尘埃等离子体）上进行验证。

该工作得出结论，湍流可能由不同的动力学机制组成，这些机制受不同的固定点支配，而观测到的行为取决于由系统特定参数所选择的 RG 流轨迹。