TrajectoryFlowNet 登 Nature MI：同时重建粒子轨迹与流场
bravo_abad · x · 2026-10-22
Wan 等人在《Nature Machine Intelligence》发表 TrajectoryFlowNet，一种物理信息神经网络，联合重建粒子轨迹与流体的速度和压力场。
问题背景：流体实验中粒子往往只能被追踪几帧就丢失，而周围流场也只有部分测量数据，单独恢复长轨迹非常困难。
方法：模型分两部分——一部分学习粒子走向，另一部分学习周围流场；训练时通过两条约束把两者连起来：被动示踪物随局部流体运动（拉格朗日视角），同时满足流体运动方程（欧拉视角）。
优势：能利用不完整的轨迹片段和零散的速度测量进行训练，无需对流体在每个边界的行为做显式规定——这在移动壁面等边界条件难以设定的实验中尤其重要。
「研究」频道最新
- Recursive 用 Eureka Machine 自动造模型,Flint 编程成绩惊艳 — _rockt · 2026-10-22
- Thinking Machines 推出 StableReinforce,解决 off-policy RL 突然崩溃 — LiTianleli · 2026-10-22
- Kaggle 5 万美元征集「正方形装正方形」解法:1000 道题仅 59 题有最优解 — MeganRisdal · 2026-10-22
- RAX 用冻结 LLM 驱动机器人：纯探索零示范，成本仅 Opus 的 1/20 — du_yilun · 2026-10-22
- 视觉表征学习与生成建模走向统一:一篇持续更新的综述梳理四阶段融合 — AllThingsApx · 2026-10-22
- arXiv 新论文:神经元的「海岸线悖论」——测量精度决定计算结构 — tyrell_turing · 2026-10-22