深度学习（也称为机器学习）可复制数据以对问题场景进行建模并提供解决方案。但是，物理学中的某些问题是未知的，或者无法在计算机上用数学方式详细表示。伊利诺伊大学香槟分校的研究人员开发了一种新方法，该方法将物理学引入机器学习过程中，可以做出更好的预测。

研究人员使用湍流来测试他们的方法。

威利特教授兼航空航天工程系主任乔纳森·弗伦德说：“我们不知道如何以一种有用的方式客观地记录所有的湍流。在计算机上无法表示未知数，因此我们使用了机器学习模型来找出未知数。我们在两种方法上对其进行了训练在学习过程中同时看到了物理控制方程和物理控制方程。这就是使它神奇且起作用的原因。”

Freund说，这种方法的需求无处不在。

“这是一个老问题。很长一段时间以来，人们一直在努力模拟湍流并为其中的未表示部分建模。” Freund说。

然后他和他的同事贾斯汀·西里尼亚诺顿悟。

“我们了解到，如果您尝试进行机器学习而不考虑已知的物理学控制方程，那么它就行不通了。我们将它们结合在一起就行了。”

在设计航空器或航天器时，Freund表示，这种方法将帮助工程师预测涉及湍流的设计是否符合其目标。他们将能够进行更改，再次运行它来预测传热或升力，并预测他们的设计是好是坏。

“任何想对物理现象进行模拟的人都可以使用这种新方法。他们会采用我们的方法并将数据加载到自己的软件中。该方法可以接受其他未知物理学。并且可以加载该未知物理学的观察结果参加训练。”弗洛因德说。

该工作是使用位于UIUC的国家超级计算中心（称为Blue Waters）的超级计算工具完成的，从而使仿真更快且更具成本效益。

下一步是在更真实的湍流中使用该方法。

“我们用来演示该方法的湍流是一个非常简单的配置，” Freund说。“实际的流动更加复杂。我还想使用其中带有火焰的湍流方法，这是一种附加的物理类型。我们计划在容纳Exascale的新型Scramjet设计中心继续开发这种方法。”

弗洛因德说，这项工作处于研究阶段，但将来可能会对行业产生影响。

“大学在最初的湍流模拟中非常活跃，然后工业界对其进行了研究。在80年代和90年代，第一批基于大学的大型涡流模拟看起来非常昂贵。但是现在公司进行大型涡流模拟。我们希望这种预测能力将遵循类似的道路。我可以看到将来会有一天，公司会开始使用更好的技术和更快的计算机。”

这项研究“ DPM：一种应用于大涡模拟的深度学习PDE增强方法”已发表在《计算物理学》杂志上。