在现代工程中，以较低的计算成本高保真地解析复杂物理现象是解决关键挑战的核心。超音速流动是一个典型例子，精确预测流场拓扑，尤其是冲击波的位置和强度至关重要。然而，传统的降阶模型和神经仿真器在捕获流态的陡峭梯度时常常面临困难，尤其是在工业相关应用中。为此，我们介绍了一种完全基于GPU的工作流，集成了加速的数据生成与神经仿真器的训练，同时增强了不确定性量化和物理意识的精炼。我们的工作流依赖于可微分的高保真求解器（JAX-Fluids），用于快速数据集创建和基于残差的神经仿真器改进，以增强物理一致性。
在这一框架的基础上，我们首先展示了一系列模型架构，并分析它们的扩展行为，以揭示其优缺点。然后，我们展示了基于残差的精炼，使得在仅有网格和输入参数的情况下也能进行训练，显著减少残差并提高物理一致性。可微分仿真和基于残差的精炼相结合，产生了在训练分布之外仍然可靠的物理仿真器，这是在现实工程设计循环中部署代理模型的关键要求。
博主点评： 本文提出的全GPU工作流为超音速流动的物理仿真提供了一种创新方法，克服了传统模型的局限性，通过引入不确定性量化和物理一致性改进，显著增强了模型的可靠性和有效性，具有广泛的工程应用前景。