Zespół badawczy zaprezentował całkowicie GPU-basowany workflow, który łączy przyspieszane generowanie danych treningowych z trenowaniem neuronowych emulatorów fizyki przepływów hipersonicznych. Kluczowym elementem systemu jest różniczkowalny solver o wysokiej wierności (JAX-Fluids), który umożliwia szybkie tworzenie zbiorów danych i iteracyjne ulepszanie modeli neuronowych w oparciu o resztkowe (residual-based) rafinacje.
Tradicyjne modele zredukowanego rzędu i neurony emulatry mają historyczne problemy z wychwytywaniem stromych gradientów w stanach przepływu, szczególnie w kontekście przepływów supersonic i hipersonicznych. Problem polega na zachowaniu fizycznej spójności w trudnych warunkach przemysłowych, gdzie precyzyjna predykcja topologii pola przepływu, zwłaszcza położenia i natężenia fal uderzeniowych, jest krytycznie ważna. Nowy system adresuje te wyzwania poprzez integrację uncertainty quantification i physics-aware refinement bezpośrednio w proces trenowania.
Badacze pokazali, że ich architektura sieci neuronowych potrafi uczyć się nawet z ograniczonych danych — gdy dostępne są jedynie siatka obliczeniowa i parametry wejściowe — dzięki rafinacji opartej na residualach. To znacznie zmniejsza wymagania dotyczące danych treningowych i poprawia fizyczną konsystencję prognoz. Kombinacja różniczkowalnej symulacji i rafinacji residualnej stanowi przełom dla praktycznych zastosowań w inżynierii, gdzie szybkie i dokładne emulatory mogą przyspieszyć projekt pojazdów hipersonicznych i systemów aeronautycznych.