HydroGym：强化学习流体控制平台
HydroGym 为 CFD 问题提供 Gymnasium 兼容的强化学习训练接口，由华盛顿大学、亚琛工大、慕尼黑工大等机构合作开发，成果发表于 Nature。
平台能力：预置数十个流动环境（圆柱、流体弹球、开式空腔、NACA 0012 翼型、湍流槽道、Kolmogorov 流、湍流边界层），后端涵盖有限元（Firedrake）、格子玻尔兹曼与有限体积（MAIA）、谱元（NEK5000）以及完全可微（JAX）求解器，可从笔记本扩展到百亿亿次 HPC，并兼容 Stable-Baselines3 与 RLlib。
报告结果：在摩擦雷诺数约 206 的湍流槽道中训练的策略，零样本部署到三维 NACA 0012 翼型后，表面摩擦阻力降低约 38%、总阻力降低约 11%；相比直接在机翼上训练，所需核时降低约四个数量级。
工程启示：湍流阻力在交通与管道输送的能耗中占比极高，HydroGym 把流动控制从”各自为战的一次性研究”变成了可基准、可复现的标准流程。
标签: 流体控制强化学习减阻湍流开源平台
相关条目
- 风力机叶片载荷预测与代理模型 · 利用数据驱动方法预测风力机叶片疲劳载荷与功率曲线，解决极端风况下湍流载荷难以快速评估的问题，支撑风电场运维决策。
- 托卡马克等离子体磁约束控制 · 深度强化学习直接控制托卡马克磁线圈，实现多种等离子体位形（含双雪花形）的精确约束，是 AI 控制真实物理装置的标志性公开案例。
- 物理信息 CNN 预测电池包温度场 · 将热传导方程以有限差分形式写入损失函数的物理信息卷积神经网络，作为电池包液冷系统温度场代理模型，在同等训练数据下精度优于纯数据驱动方法。
- MACE-MP-0：原子尺度通用机器学习势 · 基于等变图神经网络的通用原子间势基础模型，在 15 万无机晶体公开数据上训练，开箱即可对固体、液体、气体与化学反应运行稳定分子动力学，并可少量数据微调至第一性原
- TopoDiff：扩散模型驱动的拓扑优化 · MIT 提出的条件扩散模型拓扑优化方法，用代理模型引导生成过程同时兼顾力学性能与可制造性，在柔度误差与不可行样本比例上大幅优于同类 GAN 方法。