JAX-FLUIDS：一个用于可压缩两相流的完全可微高阶计算流体力学求解器

物理系统受偏微分方程 (PDE) 支配。Navier-Stokes 方程描述了流体流动，是具有复杂时空相互作用的非线性物理系统的代表。流体流动在自然界和工程应用中无处不在，其精确模拟对于深入理解这些过程至关重要。虽然 PDE 通常用数值方法求解，但机器学习 (ML) 近期的成功表明，ML 方法可以为寻找 PDE 的解提供新途径。ML 在计算流体力学 (CFD) 中变得越来越普遍。然而，迄今为止，尚不存在一个通用的 ML-CFD 软件包能够同时提供 1) 强大的最先进数值方法，2) ML 与 CFD 的无缝混合，以及 3) 自动微分 (AD) 能力。AD 对于 ML-CFD 研究尤为重要，因为它提供梯度信息并能够优化现有和新型 CFD 模型。在这项工作中，我们提出了 JAX-FLUIDS：一个用于可压缩两相流的全面且完全可微的 CFD Python 求解器。JAX-FLUIDS 允许模拟具有三维湍流、可压缩性效应和两相流等现象的复杂流体动力学。由于完全用 JAX 编写，将现有 ML 模型纳入所提出的框架非常简单。此外，JAX-FLUIDS 支持端到端优化。即，ML 模型可以通过在整个 CFD 算法中反向传播的梯度进行优化，因此不仅包含底层 PDE 的信息，还包含所应用数值方法的信息。我们相信，像 JAX-FLUIDS 这样的 Python 软件包对于促进 ML 与 CFD 交叉领域的研究至关重要，并可能为可微流体力学时代铺平道路。