湍流模拟对于理解和控制复杂的非定常流体动力学至关重要，这在工程和科学应用中具有重要意义。传统的数值方法（如直接数值模拟DNS和大涡模拟LES）由于需要高计算成本，在高雷诺数或实时场景中受到了极大限制。近年来，基于深度学习的替代模型因提供高效的数据驱动近似而展现出前景，但这些模型通常依赖确定性框架，难以捕获湍流的混沌和随机特性。鉴于此，来自美国圣母大学的Jian-Xun Wang等人提出了一种条件神经场潜扩散（CoNFiLD）模型，通过神经场方法与潜扩散过程的结合，有效捕获湍流的记忆效应和稳健生成特性。CoNFiLD利用贝叶斯条件采样技术对各种湍流场景进行灵活适配，广泛适用于零耗散全流域重建、超分辨率、湍流控制和灾后恢复等应用场景。研究表明，CoNFiLD在多领域中能够精确生成各向异性湍流流场，具有高效、准确且通用的特性。

文章要点：

（1）    该研究提出了一种高效捕捉湍流记忆效应和随机特性的深度生成模型CoNFiLD；

（2）此外，这一研究开发的CoNFiLD在复杂湍流模拟中展现出实时预测和优化流体动力学的潜力。

参考资料：
Du, P., Parikh, M.H., Fan, X. et al. Conditional neural field latent diffusion model for generating spatiotemporal turbulence. Nat Commun 15, 10416 (2024). 

https://doi.org/10.1038/s41467-024-54712-1

10.1038/s41467-024-54712-1