arXiv cs.AI· Luca Biferale, Michele Buzzicotti·· 14 小时前AI 评分31
生成式 AI 如何用于湍流问题：基础、应用、验证与基准
Generative AI in Turbulence: Foundations, Applications, Validations and Benchmarks
AI 导读
一篇投稿 JFM-Perspective 的综述探讨生成式 AI 在湍流问题中的应用，涵盖扩散模型、score-based 方法与相关概率输运形式，用于随机闭合、超分辨率、数据同化和流场集合生成。
正文 · AI 翻译
摘要：生成式 AI 为湍流问题提供了新方法，在这类问题中，不完整的观测或未解析的自由度允许多个物理上合理的解。潜在应用包括随机闭合、超分辨率、数据同化、不确定性量化，以及欧拉和拉格朗日流集合的生成。然而，湍流并非传统的图像生成问题。其多尺度动力学、间歇性、极端事件、粗糙速度场和内在随机输运，使得视觉真实感、逐点误差和低阶谱一致性不足以作为物理保真度的度量。我们考察生成式 AI 在何处提供新能力，重点关注扩散模型、基于分数的方法及相关概率输运公式。我们讨论它们在无条件生成、概率重建、降阶建模、时间演化和无网格表示中的应用。我们认为验证必须针对湍流特性：能量传递、结构函数、反常标度、pdf 尾部、相干结构、守恒定律、时间一致性、集合多样性和泛化能力。最后，我们讨论验证、基线、数据可用性和可重复性方面的潜在局限，以及需要一个结合开放数据、标准化挑战、隐藏测试、物理感知指标和记录失败的基准生态系统。本文充当两个社区之间的桥梁。对于 AI 从业者，我们提供对湍流的公平且易于理解的介绍，这对于理解该领域带来的挑战和评估生成模型的物理相关性至关重要。对于湍流从业者，我们介绍生成式 AI 的关键技术方面，阐明这些工具实际做什么，以及它们的潜力和当前局限所在。
| 评论： | 提交至 JFM-Perspective |
| 主题： | 流体动力学（physics.flu-dyn）；统计力学（cond-mat.stat-mech）；人工智能（cs.AI）；机器学习（cs.LG）；混沌动力学（nlin.CD） |
| 引用为： | arXiv:2610.35123 [physics.flu-dyn] |
| （或 arXiv:2610.35123v1 [physics.flu-dyn] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.35123 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Luca Biferale [查看电子邮件]
[v1]
2026年10月26日星期一 10:00:04 UTC（16,843 KB）
来源：arXiv cs.AI · arxiv.org