《Nature Machine Intelligence》于2026年10月20日发表论文，介绍流体动力学机器学习架构TrajectoryFlowNet。研究团队试图解决复杂流动场景中观测数据稀疏、传统数值求解成本高，以及模型难以长期预测粒子轨迹的问题。论文原文
该方法结合拉格朗日视角与欧拉视角：一方面学习粒子随时间运动的轨迹，另一方面重建空间中的完整流场，并通过物理一致性约束减少预测偏离。论文摘要称，模型能够处理不规则边界，预测全场流动，并在仅有少量轨迹观测时推断任意粒子的长距离运动。
研究者使用数值案例和实验数据进行验证，包括驱动腔流、复杂圆柱流，以及主动脉和心室血流。摘要称，模型在这些场景中可以捕捉较复杂的含粒子流动 dynamics，并支持长期粒子跟踪和流场构建。不过，当前可核实信息主要来自论文摘要和页面公开内容，尚不能据此判断其在更广泛工业环境中的稳定性、计算成本或相对于成熟流体仿真工具的综合优势。论文同时提供了数据与代码仓库链接，后续仍需关注独立复现和跨场景评测结果。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
