加州理工学院和哈佛大学的研究人员开发出一种使用机器学习来进一步改进飞机设计过程的方法。

　　设计过程可以决定效率的成败。虽然某些实验和模拟可以成功地用于测试，但它也可能过于昂贵和耗时。

　　使用计算机仿真来模拟湍流气流在成本上要节省得多，速度也快得多。然而，运行完整仿真所需的数万亿个网格点带来了自己的时间限制。

　　真正精确的模拟必须捕获与影响飞机周围气流的微小尘埃颗粒一样精细的分辨率，以及与地球规模一样大的分辨率，而这一过程非常耗时。

　　“你需要数十亿甚至数万亿个网格点来运行一架简单飞机的完全解析模拟，”航空航天学助理教授Jane Bae说，“如果你要解决从飞机全尺寸到最小尺度的所有尺度，你需要大约100年才能获得完全融合的模拟，即使以目前的超级计算能力也是如此。”

　　然而，有一个解决方法：专注于模拟固体边界或壁附近湍流的结构——即与飞机表面相邻的区域。事实上，这些近墙区域的流动可以用模型来模拟，这些网格使用相对“粗糙”的网格，大小为10×10米的立方体，而不是微观灰尘斑点大小的更细的网格。

　　生成的模型还可以作为远离墙壁的区域的湍流的代理，估计那些更精细的网格模型，而无需完全解析它们。

　　尽管这种 "墙体模型 "提供了一种潜在的方法来节省湍流模拟所需的时间和成本，但大多数正在使用的模型采用了相对简单的物理学，例如，代表空气在一个平面上的流动。

　　现实世界的情况并不那么简单。典型的例子是：在飞机机身与机翼相接处出现的气流弯曲。

　　“如果你有一个弯曲的表面，流动的物理性质会略有变化，目前的壁面模型可能无法适应它。”Bae说。为了弥补这些复杂性，仿真设计人员需要根据流程的各个参数在不同的墙体模型之间手动切换。

　　或者，正如Bae及其同事所建议的那样，设计人员可以在机器学习的帮助下训练仿真本身以适应不同类型的流动配置。

　　由Bae和哈佛大学工程与应用科学教授 Herbert S. Winokur, Jr. 和 Petros Koumoutsakos 共同撰写的一篇论文为开发这种模型奠定了基础。该论文于3月17日发表在《自然通讯》上。

　　Bae和Koumoutsakos的墙体模型利用了机器学习的半监督变体，称为强化机器学习，来解释飞机的复杂形状。机器学习的核心是计算机使用算法根据数据做出智能决策的过程。在强化机器学习中，该算法被训练成根据奖励系统做出决策。

　　"当狗做了你要求的事情，你就给它吃点东西。"强化，或基于奖励的学习。在强化机器学习中，"给模型一个状态，它给出一个行动，如果这个行动是好的，它就会得到奖励。"Bae解释说。

　　这与监督式机器学习形成鲜明对比，后者使用人类标记的数据输入来训练算法。在完全监督的机器学习模型中，算法被赋予带有“狗”或“不是狗”等标识符的图像，最终算法会学习图像何时显示狗。

　　Bae使用的机器学习模型已经过训练，可以识别平坦和简单表面上的湍流，因此它可以将该知识应用于复杂表面上的湍流，该模型是半监督的。

　　该墙体模型使用已经知道的关于简单平坦表面上湍流的信息，可以通过其算法的多次迭代来定义构成可奖励行为的内容。如果与上一次迭代相比，一个动作在算法的当前迭代中减少了飞机设计边界附近的应力，那么这就是一种改进——这就是本例中的奖励。

　　基于这个反馈回路，墙体模型根据给定的状态逐步学习要给出的最佳操作。无需手动输入告诉模型如何处理平面或曲面上的流动，模型可以找出每个场景的最佳响应，而无需明确告知该怎么做。

　　“如果你能开发一个模型，能够适应飞机等复杂几何形状中存在的不同类型的几何形状和流动配置，你将可以得到更准确的预测。”Bae说。“这是我们认为将成为墙体模型未来的大方向。”