原创解读 · Journal of Fluid Mechanics Perspectives
A practical guide to machine learning in fluid mechanics: an encoder–decoder perspective
本文为AI人机协同原创解读和审查文章
论文投稿/审稿邮箱： xiongxiongnwpu@mail.nwpu.edu.cn
作者 Kai Fukami（日本东北大学工学研究科）、Koji Fukagata（庆应义塾大学理工学部）
信息 J. Fluid Mech. (2026), vol. 1045, P1，doi:10.1017/jfm.2026.12172，58 页
许可 以 CC BY 4.0 协议开放获取，正文与插图均可标注来源后自由使用
点评 危险不在于机器学习失效，而在于它在数值上成功、在物理上失败
流体力学与机器学习的交叉领域，论文数量早已数以千计。可是一位初次面对这类问题的研究者，仍然很难回答两个最实际的问题：该从哪里下手，以及最可能在哪一步出错。大量综述解决的是第一个问题的一个变体——"别人都做过什么"——却很少回答第二个。
这篇 JFM Perspectives 把重心放在了第二个问题上。两位作者给出的工具只有两件：一张图和一份清单。图用来安置问题，清单用来排查失误。全文最值得记住的不是任何一种网络结构，而是评估一节里的那句告诫与改进一节里的对应处置——当重构场在 误差已经很低的情况下仍缺乏物理保真度时，该补的不是网络容量，而是物理约束。
主要结论
第一件工具是编码器–解码器视角：高维流场经编码器压缩为低维潜空间，再经解码器还原。稀疏重建、超分辨、降阶建模、时间预测、流场生成与主动控制这六类看似不相干的工作，都可以安置在这同一条链条的不同区段上。
第二件工具是六步流程：设定问题、整备数据、构建模型、训练模型、评估结果、改进方法。作者逐步点出各自的典型失误，并强调这是一个闭环而非一次性的流水线。
贯穿全文的主张只有一条：每一步都需要把流动物理的先验知识主动放进去，而不是把机器学习当作黑箱直接套用。这句话听上去像是客套，但作者把它落实成了具体的操作——量纲差异如何处理、误差指标如何选、诊断信号对应哪种改进，都有明确答案。
2026年AI4CFD&AI4PDE&PINN&神经算子&AI智能体加速科研课程交流 综述开篇即指出，数据驱动流体力学的既有工作通常按技术分类介绍，这种分类割裂了问题之间的联系。作者转而提出一个统一的图景：所有这些工作都可以看作在"高维流场—低维表示—高维流场"这条链条上的某一段操作。
图1 综述提出的编码器–解码器视角。图中标出了物理约束可以介入的若干位置：基于物理的数据采样、对称性等结构约束，以及以 Navier–Stokes 方程形式施加的约束。（原文 Figure 1，CC BY 4.0）
这张图的价值不在于新颖，而在于它允许的归类操作。作者指出的一点尤其值得记下： 稀疏传感器本身就可以看作一种物理编码器 。传感器的布置方式等价于一种人为设计的编码，相应地，由稀疏测量重建全场的解码器，其设计目标就是弥补这种编码所丢失的信息。顺着同一逻辑，湍流模式中由可解尺度估计封闭项的问题也能安置进来：输入由稀疏传感器换成可解尺度场，输出由重构场换成未解尺度量。
图2 各类问题设定在编码器–解码器链条上所占据的区段（笔者依据综述第 1.1 节与第 2.1 节整理绘制）
按原文的编排，问题设定依次为估计与重建、时间预测、压缩、生成、作用设计五类。压缩覆盖整条链条的全程，是最典型的编码–解码问题；时间预测主要发生在低维潜空间内部，即在压缩后的表示上推进动力学；生成类问题的特点是不要求成对的输入输出数据；作用设计则对应强化学习框架下的主动流动控制与气动外形优化。
作者在此处作了一个值得抄下来的提醒：问题设定的选择先于任何技术选择。一个常见的本末倒置，是先决定要用某种网络，再去找可以套用的问题。
图3 综述第 2 节的六步流程，以及作者在每一步提醒留意的事项（笔者依据综述整理绘制）
一、设定问题与整备数据
数据整备一节细分为数据特性、数据形态、预处理与数据划分四项。其中预处理一节给出了一条具体而容易被忽略的提醒：当模型需要同时估计多个物理量时， 不同变量之间量纲与量级的差异，会导致某些变量在损失函数中被实质性地忽略 。这类失误不会以报错的形式出现，只会以某个分量始终预测不准的形式出现，排查成本很高。
数据划分一节讨论了时间方向上的外推采样，并指出一个有趣的情形：对于统计定常的流动，时间上的外推采样有时在功能上等价于物理上的内插。这一判断对"测试集是否真的构成外推"这个常见争议给出了明确的分析角度。
二、构建模型
模型构建一节按数据形态组织，依次介绍多层感知机、循环网络与长短期记忆网络、卷积网络、图神经网络，继而讨论其他候选模型、激活函数的选择与参数选取。其编排逻辑是清晰的：网络结构应当由数据的空间与时间属性决定，而不是由流行程度决定。
据综述第 2.3.1 至 2.3.4 节整理。原文另设 2.3.5 节讨论其他候选模型，2.3.6 节讨论激活函数，2.3.7 节讨论参数选取。
三、训练、评估与改进
评估一节是全文立场最鲜明之处。作者先承认标准的机器学习评估实践在此同样适用，随后列出多种误差指标并逐一比较其长短，继而给出核心判断： 过度依赖单一标量误差指标是危险的 。作者进一步说明，数值精度只是评估的一个侧面——在流形学习与数据压缩一类任务中，更该关心的是所保留下来的究竟是哪些流动结构。
改进一节的组织方式值得称道：它不罗列技巧，而是建立"诊断信号—处置方式"的对应关系。作者明确提醒，改进不是一次性的过程，前一步的诊断往往会直接指出基线模型的具体缺陷。
引入基于物理的正则项，如物理信息惩罚、可观测量增强学习
据综述第 2.6 节所列四条改进路径整理。作者另指出，训练好的模型本身即可作为指导这些改进的工具，例如通过基于梯度的敏感性分析优化传感器布置。
综述第 3 节以一个完整案例贯穿上述六步。对象是 NACA0012 翼型在弦长雷诺数 5000、迎角 14 度下的三维非定常尾流，由不可压大涡模拟生成，采用 Vreman 亚格子模型。数据插值到笛卡尔均匀网格，网格数 300×150×50；时间上以 作训练与验证， 作测试。
图4 案例研究。(a) 自编码器的一般形式与基于 POD-MLP 的重构示例，潜空间维数取 3；(b) 以升力系数时间序列展示训练与测试的划分；(c) 案例中对比的三种压缩方式。（原文 Figure 21，CC BY 4.0）
案例对比了三种压缩方式：作为线性基准的本征正交分解、以卷积网络作编码器的 CNN-MLP，以及先作本征正交分解再以多层感知机压缩的 POD-MLP。这一安排本身即体现了综述的方法论主张—— 非线性方法的价值需要相对于一个像样的线性基准来衡量，而不是相对于"不做压缩" 。这条标准看似基本，在实际文献中却常被绕过。
把案例放在全文末尾而非开头，也是一种编排上的选择。读者在掌握六步流程之后再看案例，所看到的不是一个结果，而是六个决策如何逐一作出。
依笔者之见，这篇综述对三类读者各有一种读法。
对初次进入该方向的研究者 ，第 2 节的六步流程可直接当作工作清单，尤其是第 2.2 节关于量纲差异与数据划分的提醒，以及第 2.5 节关于误差指标的告诫，都是实践中代价高昂的常见失误。附录 A 另设有一份术语对照表，可用来厘清本领域中含义易混的若干词汇。
对已有工作基础的研究者 ，第 1.1 节的编码器–解码器视角提供了一种重新审视自身问题的方式。当一项工作在某处遇到瓶颈时，这张图有助于判断瓶颈究竟出在编码、潜空间还是解码环节——这个判断直接决定应当从哪一步着手改进。
对审稿人与读者 ，第 2.5 节所列的误差指标比较表可以作为一份检查依据。当一篇论文仅以单一标量误差支撑其全部结论时，依据这份综述即可提出有据可循的追问。
最后值得一提的是，该文以 CC BY 4.0 协议开放获取，全文与插图均可自由取用并转载，仅需正确标注来源。对需要制作教学材料或课题组内部培训资料的读者，这一点具有实际便利。
Brunton S L, Noack B R, Koumoutsakos P. Machine learning for fluid mechanics. Annual Review of Fluid Mechanics , 2020, 52(1): 477–508.
本领域引用量最高的综述，与本文构成互补关系。两者的分工很清楚：Brunton 等人回答"这个领域都做过什么"，按监督、半监督、无监督的学习范式组织全景；本文回答"我该怎么做、会在哪里出错"，按工作流程组织。先读前者建立地图，再读后者获得行动清单，是比较高效的顺序。若只读一篇，取决于读者是要选题还是要动手。
Taira K, Brunton S L, Dawson S T M, Rowley C W, Colonius T, McKeon B J, Schmidt O T, Gordeyev S, Theofilis V, Ukeiley L S. Modal analysis of fluid flows: an overview. AIAA Journal , 2017, 55(12): 4013–4041.
本文所提的"编码器"概念，其线性版本就是模态分解。这篇综述系统梳理了本征正交分解、动力学模态分解、全局稳定性分析等经典方法的数学结构与适用条件。推荐它的理由很直接：本文第三节强调非线性压缩必须对标线性基准，而要把这个基准建立得扎实，就得知道线性方法各自假设了什么、在什么条件下失效。不了解模态分解而直接上自编码器，是该领域里最常见的一类浪费。
Fukami K, Fukagata K, Taira K. Super-resolution analysis via machine learning: a survey for fluid flows. Theoretical and Computational Fluid Dynamics , 2023, 37: 421–444.
本文作者团队关于流体超分辨的专题综述，也是本文第 1.1 节界定"稀疏重建即超分辨"时所依据的文献。相对于本文的宏观框架，它在单一问题类别上给出了深得多的处理：输入形式、网络选择、误差度量、物理约束的施加位置，均有具体讨论。若读者的实际课题正落在"由稀疏测量恢复全场"这一区段，应当把这篇当作主要参考，而把本文当作定位工具。
Raissi M, Perdikaris P, Karniadakis G E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics , 2019, 378: 686–707.
本文第 2.6 节把"引入基于物理的正则项"列为重构场物理保真度不足时的标准处置，而这类正则项的原始形式即出自此文。需要留意的是两者的关系并非包含关系：本文聚焦于非线性机器学习分析，以方程残差为约束直接求解正问题的这一支并未展开，仅作为改进手段出现。读者若要把物理约束真正用进去，须回到这篇原始论文及其后续工作，而不能只停留在本文的一句建议。
Vinuesa R, Brunton S L. Enhancing computational fluid dynamics with machine learning. Nature Computational Science , 2022, 2(6): 358–366.
本文的立足点是"用机器学习分析流动数据"，而这篇的立足点是"用机器学习改造计算流体力学求解器本身"——加速、湍流封闭、降阶建模、网格自适应。两者合起来才覆盖完整的版图。推荐它的另一个理由是篇幅：七页读完即可建立对另一半版图的基本判断，适合用来确认自己的课题究竟落在"分析数据"还是"改造求解器"这一侧，因为这两侧的评价标准相当不同。
文献与图片来源
Fukami K, Fukagata K. A practical guide to machine learning in fluid mechanics: an encoder–decoder perspective. Journal of Fluid Mechanics , 2026, 1045: P1. doi:10.1017/jfm.2026.12172
图 1、4 取自原文 Figure 1 与 Figure 21。该文以知识共享署名协议 4.0 国际版（CC BY 4.0）发表，允许在标明出处的前提下自由使用与转载。图 2、3 为笔者依据综述正文整理绘制。
