本文并非常规综述而是流体机器学习领域的冷静式行业体检报告。2012—2022 年流体领域机器学习论文数量爆发式增长大量深度学习模型被应用于流场重构、湍流闭合、流动控制、超分辨率重建但 2022 年后会议论文数量增长陷入平台期。作者否定了 “领域热度衰退” 这一浅层结论给出核心判断机器学习已经褪去噱头从小众新奇工具融入流体力学常规研究工具箱行业正式告别野蛮生长的热潮进入规范化转型的青春期。长远目标让数据驱动流体力学成长为与理论流体、实验流体、CFD 计算流体并列的流体力学第四大支柱分支。想要站稳 “第四分支” 的地位仅靠更低的预测误差、更炫酷的流场可视化效果、堆叠更深的神经网络远远不够必须补齐六大基础短板建立和传统流体研究同等严苛的学术规范。二、六大核心议题拆解文章主体逻辑议题 1科学问题的数学表述优先级高于网络模型选型1.行业通病大量研究本末倒置盲目追逐 Transformer、扩散模型等前沿网络结构却模糊了研究目标混淆插值预测与外推预测、短时演化与长期统计、图像重构与流动守恒。损失函数、数据集划分、物理约束随意设置导致模型结论只适用于特定数据集不具备科研价值。2.作者核心主张先明确任务边界是流场图像插值还是跨雷诺数外推是还原空间结构还是保证动能、涡量等物理守恒量不变合理设计目标函数物理方程残差约束不可滥用过度施加守恒约束会扼杀模型非线性拟合能力研究遵循由简到繁先在标准经典算例完成标准化测试再迁移到分离流、高雷诺数湍流等复杂工程流动。一句话总结任务定义决定可信度模型只是实现手段。议题 2预测精度≠物理洞察区分工程应用与机理研究**尖锐批评**当前绝大多数流体深度学习只做到了 “精准拟合数据”没有产出新的流体机理认知。即便模型把流场预测误差降到最低如果无法对应涡演化、剪切层失稳、能量级串、流动分岔等物理规律只能算作工程数值工具无法推动流体基础研究进步。可解释性的辩证观点早期 POD 模态分解也曾被贴上 “黑箱标签”随着物理映射建立最终成为经典流动分析手段。深度神经网络同理不必强求网络每一层具备直观物理意义只要潜变量、注意力区域、学习得到的闭合项能够对应流动状态转变、涡结构生成、气动极值事件就可以形成有效物理洞察。评价标尺优秀的数据驱动研究必须能回答模型捕捉到了哪一类流动不稳定机制学到的经验规律能否和尺度分析、经典流动理论相互印证议题 3跨工况泛化能力是流体机器学习无法绕开的硬门槛行业痛点雷诺数、几何外形、边界条件、入流扰动一旦改变很多神经网络会出现断崖式失效。多数模型仅能在训练数据分布内做插值根本不具备物理外推能力。很多看似不错的跨条件预测仅仅是模型在自身流形空间内插值并没有真正学习流动普适规律。可行发展路径迁移学习、流体基础大模型是解决泛化问题的重要方向先用海量跨参数流动数据训练通用底层表征再针对具体湍流建模、流动控制任务微调。同时必须建立严格测试标准不能只在训练工况附近测试必须把跨雷诺数、跨构型、抗测量噪声作为硬性考核指标。议题 4坚持奥卡姆剃刀拒绝无意义的模型复杂化**核心准则**成熟的物理模型一定是精简紧凑的。控制方程、湍流理论都追求最简表达机器学习模型也不能无限堆砌参数。**乱象批判**不少研究动辄构建百万级参数网络仅仅用来预测简单层流、低雷诺数尾迹流动模型复杂度远超传统 CFD 数值方案额外的参数没有换来泛化能力与物理解释只是把物理问题隐藏进黑箱。优化方向大力发展稀疏识别、局部建模、方程发现类方法自动剔除无关项精简网络结构研究必须设置低复杂度基线模型证明复杂网络具备不可替代的优势避免为了提升零点几个百分点误差盲目增大模型规模。议题 5开放数据集与开源代码是领域长久发展的公共基础设施现实矛盾DNS 大涡模拟、PIV 实验流场数据成本极高单个课题组无法持续产出海量多样化样本。如果各组闭门造车、数据集互不通用模型性能就失去横向对比基准研究成果无法复用。数据集建设标准公共基准库必须兼顾丰富的流动形态、严格的数据质量控制、均衡的参数分布规避 “低雷诺数数据泛滥、高雷诺数实测数据稀缺” 带来的训练偏差。文中高度肯定霍普金斯湍流数据库呼吁建立面向机器学习的多工况流动开源数据库。可复现性规范仅上传可一次性运行的代码远远不够必须配套版本环境、数据集划分规则、调参记录、不确定性分析对标 CFD 领域的验证与确认VV体系杜绝依靠随机数据切分、反复调参制造虚高精度。议题 6跨代际人才培养决定整个领域的发展上限**最大短板**大量算法研究者只懂神经网络不熟悉数值离散误差、实验测量噪声、网格收敛性极易把数据噪声当成流动规律学习传统流体学者又对数据驱动工具缺乏了解形成两极割裂。2.教育改革方案课程体系融合将数据驱动建模嵌入流体力学本科、研究生主干课程而不是单独开设独立选修课让学生自然把机器学习和 POD、DMD、湍流建模结合使用弥合代际鸿沟面向资深流体学者开设算法入门工作坊面向年轻博士生补充流体物理基础打通理论 — 实验 —CFD— 数据驱动四个分支的学术语言避免领域沦为单纯的算法竞赛。三、对大模型、生成式 AI 的理性展望作者没有盲目吹捧流体大模型与扩散生成模型给出客观判断生成模型、流体基础模型在稀疏数据补全、极端稀有流动预测、多尺度流场生成上具备巨大潜力有望攻克传统数值方法难以求解的多物理耦合、强非线性难题即便 AI 算力持续迭代物理先验约束依然是流体机器学习的核心根基。在实测样本稀缺的高雷诺数工程场景下纯数据驱动模型很难单独成立必须融合 N-S 方程、守恒律、无量纲相似准则未来算法迭代会和新一代 GPU、量子计算硬件深度绑定如同当年 CFD 依托超级计算机崛起。四、全文最终结论核心主旨升华行业阶段总结流体机器学习已经走完概念验证热潮迈入规范化转型的青春期。不再需要反复证明 “机器学习能用在流体力学”接下来要对标传统三大分支的学术准则接受严格审查努力建成流体力学第四分支。成果评价新标准一篇合格的数据驱动流体研究要么揭示全新流动机理要么提出具备强泛化能力、简洁可靠的建模新方案。仅仅依靠大容量网络在有限数据集里小幅降低预测误差不足以形成长期学术价值。长期建设路径从问题规范化、物理解释、跨工况泛化、模型精简、开源数据生态、跨学科人才教育六大维度补齐短板让数据驱动真正和理论、实验、CFD 形成互补闭环而不是独立的算法孤岛。五、适合人群的落地启示做流场重构、超分辨率、PIV 补全严控数据集分布重点测试跨分辨率、带噪声条件下的鲁棒性拒绝只展示高清流场效果图做湍流闭合、降阶建模优先尝试稀疏方程识别严控模型参数量重点考核外推至更高雷诺数的表现做流动控制、强化学习清晰区分插值优化与全新工况泛化把流动稳定性机理作为核心评价指标不只看控制收益课题立项避坑先把科学问题界定清楚再选择模型不要一上来就套用最新深度学习架构。原文标题Machine learning in fluid dynamics: A critical assessment期刊Physical Review Fluids年份与卷页2025Volume 10090701文章类型PerspectiveInvited Articles