演讲的主题是：
主要分为三部分：
-
空天动力背景和数字智能趋势。
-
空天动力全生命周期的数字孪生。
-
结果和展望
WAVE SUMMIT 2021深度学习开发者峰会
【交叉前沿，AI共拓】论坛
新一代信息技术的发展促进了各行各业向数字化、网络化、智能化方向的发展，不断催生新的技术、商业形式和模式，也引发了更激烈的技术竞争。在国家十四五智能制造发展规划中，数字孪生一词多次被引用，数字孪生也成为新一轮科技和企业变革的驱动力。数字孪生的概念是指虚拟空间中真实事物的动态孪生体。本体的运行状态和外部环境数据可以通过传感器实时映射到孪生体中。
另一方面，以航天技术发展角度来说，人们对空间资源利用和深空探测的需求越来越强烈，依靠传统运载火箭进行航天发射已经难以满足快速进出空间迫切需求。吸气式重复使用航天运输系统是全球快速达到，以及廉价、快速、可靠、便捷进出空间的核心技术，是各航空航天大国竞相抢占的技术制高点。
该技术不仅可以作为高超声速飞机的动力，还可以实现普通机场水平的卫星发射。因此，吸气重复使用空间运输系统的动力已成为快速响应空间运输最潜在的动力形式之一。同时，为了适应未来日益复杂和频繁的多任务需求，航天运输系统应具有分布式、无人化、灵活、智能的特点，其核心技术之一是建立数字双胞胎系统。
综上所述，下一代基于吸气式重复使用航天运输系统，AI该技术将极大地支撑空天动力数字孪生系统的建设。
数字命周期的数字孪生系统主要分为三个大阶段：一是，第二是，第三是。
在智能设计阶段形成基于机器学习的模拟和人工智能解决方案，实现智能解决方案的生成、优化和定型，大大加快了研发；基于虚拟映射技术，生产过程中的缺陷和公差可以反映在数字模型中，为后续服务寿命监控提供基本数据；基于机器学习的智能服务阶段的模拟模型，实现飞行物理状态、飞行状态、未来状态智能监测和智能风险预测的空天映射。
通过以上阐述，我们了解了空间电力数字双胞胎的核心是如何实时连接数字空间和实时预测。实现上述能力的核心模型有两种：
第一个是，实时物理与数字空间链接通过物理空间感知技术和反演技术实现；二是，通过高精度、实时性能计算模型，实现物理空间的实时预测，最终实现智能化。
因此，模型是数字孪生基石的支撑。现在，模型不再是基于单一物理模型的单一物理模型AI知识与历史大数据的融合模式是知识与数据的结晶。以下是我们团队研究成果的简要介绍：
1.虚实映射模型
主要用于发动机制造过程和飞行过程，通过植入发动机电子传感器，感知发动机在飞行过程中是否损坏或变形，感知发动机的工作状态。对于发动机，传统传感器也可以获得发动机的关键参数，但这些参数信息非常分散，因此必须采用重建技术将这些分散的信息转换为连续的场信息，从物理空间构建传感器到虚拟数字镜像，最后预测状态。
以发动机为例：重建发动机数据和流场，通过传感器测量温度场分辨率低，包含大量噪声信息，如何通过Unet深度神经网络重建了高分辨率温度场。验证表明，基于机器学习温度场的重建精度优于一般插入方法，误差较低，峰值噪比较高。
2.智能仿真模型
目前，基于解决物理方程的模拟方法，计算精度与计算效率之间存在着突出的矛盾。例如，大型发动机的精细燃烧流场计算可能需要数千天，这对工程设计是不可接受的。
经过几十年的发展，传统的数据方法已经进入瓶颈。我们需要使用机器学习方法来加速模拟计算。机器学习方法主要用于图像识别和自动驾驶。这个物理场的解决方案与上述问题有什么区别？
首先，相似之处在于，数值模拟可以被视为时间序列的数据集，即监督学习。但也有不同之处，样本量相对于数十万的大数据相对较小。此外，最关键的区别是它有物理背景，预测值需要符合物理规律，如质量守恒。鉴于上述特点，我们采用了三种不同的想法来应用机器学习在物理问题中的应用，三种想法的应用对象也不同。
①第一个层次是，我们只对模拟过程中计算量最大的物理方程进行机器学习和建模，即微分方程中的S项，主要反应的燃烧过程。
②第二个层次是端到端，即物理方程的解决结果，作为时间序列数据学习，获得一个大致可以预测时间序列的模型。
③然而，如果我们直接使用现有的机器学习方法进行时间序列学习，我们会发现基于物理机器学习方法，会有许多非物理预测结果。
以发动机涡轮模拟燃烧为例，利用神经网络通过机器学习学习的计算精度相当于传统的动态自适应化学方法。在计算效率方面，机器学习加速了5倍，这表明机器学习方法相对有效。
首先，通过改变台阶高度和位置参数，构建台阶非稳态数值模拟数据库，输入100个样本对，使用一个包含时间序列Unet训练结构后，可以获得基于机器学习的快速求解器，输入台阶的参数可以获得不稳定的数值模拟结果。
结果表明，我们可以获得不稳定的计算结果，并大大提高预测结果的时间。然而，我们可以发现有非物理现象。本质是因为Unet网络将其视为特征，识别和匹配图像的特征。
以上结果表明，2018年直接通过机器学习方法解决物理问题存在非物理结果，Raissi等人介绍了物理信息神经网络（Physics-informed neuralnetworks,PINN)，将偏微分方程及其边界条件放在损失函数中约束预测值，使神经网络的预测值达到偏微方程组，通过这种方法，预测值可以限制在物理方程中，从而实现物理量的守恒。
物理机器学习的核心是构建损失函数，考虑将损失函数定义为加权求和L2范数方程与边界条件的残差。例如，对于一维瞬态对流扩散方程，他的损失函数Lf这个方程包含在训练过程中Lf趋于0，即保证物理方程。
利用这种方法构建纯流动交互模型可以实现实时数值模拟，获得基于机器学习的求解器，可以实时改变形状和位置，非常有利于未来的工程优化。
以上述超音速台阶为例，结构包含控制方程的损失函数，超音速控制方程比上述复杂得多，非线性更强。
以下是我们的损失函数包括物理方程的形式，物理方程的结果在右上角，传统的计算结果作为真实值输入。在网络结构训练方面，输入收集了边界条件、网络坐标和故事长度。在训练和使用过程中，损失函数的高级函数是通过自动微分法解决的。预测过程只需要物理机器学习网络就可以自行解决并获得输出结果。
这里给出了模型计算的结果(如下图所示)，最模拟CFD计算结果，作为真实值，中间结果是包含物理约束的机器学习模拟结果，最低是没有物理约束的机器学习模拟结果。可以看出，对于这个问题，不含物理约束的机器学习模拟结果无法不断迭代得到正确的结果，而物理机器学习模拟结果和CFD计算结果基本相同，可以实现复杂物理过程的守恒预测。同时，预测计算效率较高CFD提高了500多倍。如果我们将其部署于部署于APU，可实现实时仿真和预测。
综上所述，传统的建模方法无法实现快速、良好的模型建立，基于机器学习的模型将是促进数字转型的核心。但与此同时，如何建立一个可靠的机器学习方法和系统是我们需要解决的问题，我们相信人工智能方法将在空间动力的应用中有很大的前景。
除了AI CFD，本周六下午，第11届飞桨博士会线下交流会将带来AI Science另一个领域的前沿共享:AI 生命科学。
本次交流会由桨和百图生科联合制作，邀请了三位行业专家讨论人工智能如何赋能生命科学，重点关注人工智能技术在细胞图像数据处理、基因组数据挖掘、蛋白质结构研究、药物合成等领域的应用。