人工智能赋能力学研究新范式：从流体湍流到固体失效的智能计算

《Science China-Physics Mechanics & Astronomy》：AI for Mechanics

本专题聚焦AI如何革新力学研究范式，针对湍流模拟、结构优化等复杂力学问题，研究人员通过物理信息神经网络(PINNs)、傅里叶神经算子等AI方法，在结构动力学、空气动力学等领域取得突破性进展，显著提升了预测精度和计算效率，为力学研究注入新动能。

　　

当伽利略建立"实验-数学"的力学研究范式时，他可能不会想到四个世纪后，人工智能(AI)正在重塑这门古老学科的研究模式。近年来，从流体的湍流到材料的失效，从多尺度结构优化到本构关系发现，力学研究面临着越来越复杂的挑战。传统方法在处理这些涉及强非线性、多物理场耦合的问题时常常力不从心，而人工智能技术的兴起为力学研究带来了新的曙光。

在这一背景下，《Science China Physics, Mechanics & Astronomy》2026年1月刊推出了"AI for Mechanics"专题，汇集了六篇来自领域内顶尖研究者的论文，全面展示了人工智能在力学研究中的最新进展和应用前景。该专题由中国科学院力学研究所非线性力学国家重点实验室的蒋敏强和王世钊担任编辑，系统梳理了AI技术在结构动力学、空气动力学、湍流计算和材料本构关系等关键力学领域的研究成果。

专题开篇的综述论文由张伟等人撰写，深入探讨了物理信息神经网络(PINNs)在求解偏微分方程(PDEs)中的应用。作者系统总结了PINNs作为求解偏微分方程代表性技术的局限性及其根本原因，同时展望了如何通过充分挖掘PINNs潜力来推动偏微分方程求解的未来发展方向。

在结构优化领域，郝伟等人提出了一种结合结构基因组数据库(SGDs)的机器学习增强多尺度拓扑优化(MTO)框架。研究人员通过包括均匀微结构和多微结构细胞结构的优化设计，以及具有连接约束的均匀和多微结构并发多尺度设计等基准算例，验证了SGD-MTO算法的有效性、准确性和效率。

针对流场预测这一经典力学难题，唐伟等人基于傅里叶神经算子提出了新型流场预测模型，显著提升了深度学习代理模型的预测精度和泛化能力。该模型不仅能够对典型工况下的跨音速翼型进行精确预测，在 extrapolative 流入条件和翼型上的表现也优于传统的基于卷积的方法。

袁志等人将无监督学习中的独立成分分析算法应用于高速列车转向架的结构力、应力和疲劳损伤关联性研究，建立了通过门控循环单元(GRU)神经网络和应力谱法预测结构疲劳损伤的方法体系。这一方法有望推广到飞机、风力发电机等其他复杂动力系统。

在湍流模拟这一力学界的"圣杯"问题上，杨浩等人提出了改进的隐式因子化变压器模型，该模型在减少短期预测误差和实现各种统计特性及流动结构的稳定、准确长期预测方面显示出优势。

专题以刘洋与万健的"新闻与观点"文章收尾，重点讨论了材料本构关系的符号学习方法。文章简要介绍了使用符号学习方法发现固体本构关系的过程及其主要途径，同时讨论了该领域面临的主要挑战。

主要技术方法包括：物理信息神经网络(PINNs)架构优化、结构基因组数据库(SGDs)构建技术、傅里叶神经算子设计、独立成分分析算法、门控循环单元(GRU)神经网络、应力谱分析法、隐式因子化变压器模型改进、符号学习算法等。

智能计算偏微分方程的研究进展

通过系统分析PINNs在求解各类偏微分方程中的表现，发现其在处理高维、多尺度问题时的局限性主要源于优化过程中的频谱偏差问题，提出了通过自适应加权和域分解等策略来提升其性能。

机器学习增强的多尺度拓扑优化

开发了结合结构基因组数据库的SGD-MTO框架，在保持计算效率的同时显著提升了优化设计的质量，特别是在处理具有连通性约束的多微结构并发设计问题时表现出色。

基于傅里叶神经算子的流场预测

提出的新型模型在跨音速翼型流场预测中实现了较高的预测精度，特别是在处理非训练工况时的泛化能力明显优于传统方法，为复杂流动问题的快速预测提供了新思路。

高速列车转向架疲劳损伤分析

通过独立成分分析明确了结构力、应力和疲劳损伤之间的内在关联，建立的GRU神经网络预测模型为复杂工程结构的疲劳寿命评估提供了可靠工具。

湍流统计特性预测的改进模型

改进的隐式因子化变压器模型在保持长期预测稳定性方面取得重要突破，能够准确再现湍流的各种统计特性，为复杂流动的数值模拟开辟了新途径。

材料本构关系的符号学习

符号学习方法能够从实验数据中自动发现本构关系的数学表达式，避免了传统方法中的人为假设，为材料建模提供了更加客观和高效的手段。

该专题系统展示了人工智能技术在力学研究中的广泛应用前景和巨大潜力。从偏微分方程的智能求解到复杂结构的优化设计，从流场预测到材料本构发现，AI技术正在深刻改变着力学研究的范式。各研究不仅提出了创新的算法和模型，还通过详尽的数值实验验证了其有效性和实用性。尽管这些方法仍面临诸如数据需求、泛化能力和物理一致性保证等挑战，但它们无疑为解决力学中的经典难题提供了新的思路和工具。随着AI技术的不断发展和完善，有望在航空航天、交通运输、能源装备等重要工程领域产生深远影响，推动力学研究进入智能化新时代。