1. 摘要点评
- 很新的综述性文章；Annual Reviews of Fluid Mechanics, 2020
- 回顾了AI和流体力学的结合点与历史，并做展望。
- 机器学习：监督学习，无监督学习，半监督学习 （CNN,RNN,SVM,GAN,RL等等技术）
- 流体力学：for understanding, modeling, optimizing, and controlling fluid flows.
2. 流体力学的难点
- 天生的大数据，流体的数据 是横跨时空的（spatio-temporal）,多尺度的（multi-scale），数据又大又复杂
- 流体大数据，理解难（feature extraction & modeling flow dynamics），评估难，比如，湍流到底是如何发展的？两个涡合并的机理如何？太难理解了。流体数据面前，POD分解这种工具是不是太弱小了。DMD，SOM呢？同样能力非常有限，“第一性原理”的方法纷纷叹气，表示太难了。
- 流体大数据，CFD计算慢(flow optimization & control)。现有的理论不是可以用有限元进行计算嘛，确实可以的。但是，CFD计算太慢，只是近似正确。实时优化与控制流动（依赖模型预测）很难做的好呀。模型降维（Reduced Order Model）只是一种没有办法的近似办法。
- 流体力学是物理，有NS方程，有质量守恒，这么多physical constraints的。他们都是，非线性，强耦合的。物理世界的解和状态一般而言都是唯一的，不允许GAN生成一个看似正确但是本质错误的流场（比如质量不守恒）。
3. ML赋能流体力学
- 数据理解，ML或者叫做data mining 不就是干这个的（比如，聚类，分类，特征提取），用到流体力学上十分恰当。但是，流体力学，需要强解释性，能够明确边界（速度100m/s和1000m/s在流场中有本质不同）。否则，你以后如何敢坐AI设计的飞机？
- 辅助计算，现在CFD太慢（类比训练一个CNN），但是CNN预测很快。用CNN预测来辅助CFD计算，当然能够起到不小的帮助作用（用CNN来训练CNN，而不是BP梯度下降算法，大神们有没有考虑呢？）。但是，NS方程，质量守恒，经验公式AI计算如何满足呢？physical based AI是一种趋势。
- 优化与控制，当然RL针对电子游戏做控制做的很好了，但是RL能否对流场的进行很好的控制呢？比如复杂气流条件下（大风天气）自动驾驶无人机。
4. 挑战
- 用复杂工具应对处理复杂问题，哲学上这是一个正确的，也可能是唯一的途径。现代复杂算法的特点：随机，群体，迭代。深度学习是集大成者。
- ML,尤其是DL，机理不清楚
- Fluid Community 目前还没有很好的数据集和标注，尽管数据多，但是标注难
- 流体力学适用的ML需要定制，从而让人理解
