联邦机器学习在流体动力学中的前景

基于物理的模型一直是流体动力学中开发预测模型的主流。近年来，由于数据科学、处理单元、基于神经网络的技术以及传感器适配的快速发展，机器学习为流体界带来了复兴。迄今为止，在流体动力学的许多应用中，机器学习方法主要集中于一种标准流程，即需要在指定机器或数据中心集中训练数据。在本文中，我们提出一种联邦机器学习方法，使本地客户端能够协作学习一个聚合的共享预测模型，同时将所有训练数据保留在各边缘设备上。我们通过构建用于重建时空场的深度学习代理模型，论证了这种去中心化学习方法的可行性与前景。我们的结果表明，联邦机器学习可能成为设计流体动力学相关高精度预测性去中心化数字孪生的可行工具。