LLM4Fluid：大语言模型作为通用流体动力学神经求解器
机器学习
2026-01-30 v1 流体动力学
摘要
深度学习已成为流体动力学时空建模的有前景范式，但现有方法往往对未见的流动条件泛化能力有限，且通常需要在新情境中重新训练。本文提出 LLM4Fluid，一个时空预测框架，利用大语言模型（LLM）作为流体动力学的通用神经求解器。该框架首先通过简化阶模型压缩高维流场，并增强物理信息性 disentanglement 机制，以有效缓解空间特征 entangled，同时保留关键流动结构。随后，预训练的 LLM 作为时序处理器， autoregressively 预测物理序列的动力学，并使用时间序列提示。为弥合提示与物理序列之间的模态鸿沟（否则会降低预测精度），我们提出了专门的模态对齐策略，以解决表示性不匹配并稳定长期预测。广泛的实验表明，LLM4Fluid 作为一个稳健且通用的神经求解器，无需重新训练，即可实现最先进的精度，并展现出强大的零样学习和 in-context 学习能力。代码和数据集已公开于 https://github.com/qisongxiao/LLM4Fluid。
引用
@article{arxiv.2601.21681,
title = {LLM4Fluid: Large Language Models as Generalizable Neural Solvers for Fluid Dynamics},
author = {Qisong Xiao and Xinhai Chen and Qinglin Wang and Xiaowei Guo and Binglin Wang and Weifeng Chen and Zhichao Wang and Yunfei Liu and Rui Xia and Hang Zou and Gencheng Liu and Shuai Li and Jie Liu},
journal= {arXiv preprint arXiv:2601.21681},
year = {2026}
}