人工智能與空氣動力學結合的初步思考

張天姣，錢煒祺，周宇，何磊，邵元培

(1.空氣動力學國家重點實驗室，綿陽 621000)(2.中國空氣動力研究與發展中心 計算所，綿陽 621000)

0 引 言

近年來，以人工智能(Artificial Intelligence，簡稱AI)為代表的第二次機器革命，及以其作為主要核心技術驅動的新一輪技術革命和產業變革正在改變著世界格局，成為人類社會發展進程的又一次重大飛躍。人工智能作為一項新興交叉學科，已在生物、醫學、氣象、商務、交通、機械制造等社會的各個領域得到了廣泛應用，并在很大程度上為人類的生產生活提供了便捷。航空航天能力是衡量一個國家綜合國力的關鍵指標之一，而作為流體力學重要分支之一的空氣動力學研究直接影響著航空航天事業的發展與進步。目前，世界各航空航天大國均在人工智能與空氣動力學的結合方面開展了許多有益的嘗試與探索，人工智能技術已經在風洞運行智能化控制、氣動數據分析建模、飛行器優化設計等方面得到了越來越廣泛的應用。

本文從輔助空氣動力學三大手段研究效率提高、輔助空氣動力學數據分析與知識發現、輔助飛行器氣動優化設計三個方面來對人工智能與空氣動力學的結合進行系統梳理，并指出了人工智能給空氣動力學發展帶來的挑戰。

1 人工智能發展現狀

1.1 人工智能的發展歷程

人工智能這一概念最早由美國數學家和計算機專家John McCarthy于1956年在美國達特茅斯大學舉辦的人工智能的研討會上首次提出[1]。與許多新興學科相同，人工智能至今尚無統一的定義。不同學科背景的學者對人工智能有不同的理解，主流觀點有以下兩種：

(1) 人工智能(學科)：許多人工智能研究者認為人工智能(學科)是智能科學中涉及研究、設計及應用智能機器和智能系統的一個分支，而智能科學是一門與計算機科學并行的學科。

(2) 人工智能(能力)：部分學者認為人工智能(能力)是智能機器所執行的通常與人類智能有關的智能行為，例如判斷、推理、證明、識別、感知、理解、通信、設計、思考、規劃、學習、設計和問題求解等思維活動。

自20世紀中葉人工智能被首次提出以來發展至今，經歷了數次高潮與低谷[2]。1968年，第一個專家系統DENDRAL成功應用于有機化合物的分子結構分析中，開啟了人工智能技術的應用研究領域。1969年，第一屆國際人工智能聯合會議(International Joint Conference on AI，簡稱IJCAI)的召開標志著人工智能作為一門獨立學科登上國際學術舞臺。1970年，《人工智能國際雜志》(International Journal of AI)創刊。進入20世紀80年代，專家系統和知識工程得到迅速發展，并為企業等用戶贏得了巨大的經濟效益。20世紀80年代后期以來，機器學習、計算智能、人工神經網絡等研究不斷深入，各人工智能學派之間的爭論推動了人工智能研究和應用的進一步發展。近年來，人工智能取得了一些里程碑成果。1997年，IBM計算機程序“深藍”戰勝國際象棋大師卡斯帕羅夫，震驚全球[3]。2006年，G.E.Hinton等[4]提出的深度學習訓練算法引領了神經網絡走向深層的發展趨勢。2012年，“深度神經網絡”(Deep Neural Network，簡稱DNN)模型通過無監督訓練成功識別貓臉，引起了業界的轟動與廣泛關注[5]。自2016年起，基于深度學習的“AlphaGo”[6]、“AlphaGo Master”和“AlphaGo Zero”[7]依次打敗圍棋世界冠軍，圍棋水平遠遠超過人類。

伴隨人工智能核心技術的突破，新一輪的發展條件已然成熟，人工智能已從純技術研究進入到各類行業和生活應用中，其發展的廣度和深度大幅增加。

1.2 機器學習

在人工智能眾多應用領域中，機器學習(Machine Learning)無疑是發展最快的分支之一[8]。機器學習的目標是使系統具備從原始數據中提取特征，從而獲得自主學習的能力[9]。機器學習的過程與人腦思考類似，其利用一定算法分析并學習數據，隨后對現實世界情況做出判斷和預測，與預先編寫好、只能按照特定邏輯去執行指令的軟件不同，機器實際上是通過“自我訓練”學會如何完成一項任務。

20世紀80年代末以來，隨著計算能力的大幅提升，機器學習在算法、理論和實際應用方面都取得了巨大的成功。根據學習模型的層次結構不同，機器學習大致可分為淺層學習(Shallow Learning)和深度學習(Deep Learning)兩類。淺層學習模型通常包含不超過一層或兩層的非線性特征變換[10]，例如高斯混合模型(Gaussian Mixture Model，簡稱GMM)、支持向量機(Support Vector Machine，簡稱SVM)、Boosting方法等。但是，近年來產業界數據量的爆炸式增長給傳統的淺層學習帶來了新的技術挑戰。此外，依靠人工經驗提取特征亦成為限制淺層學習模型性能的瓶頸。

2006年，深度置信網絡(Deep Belief Network，簡稱DBN)模型[11]的提出開啟了深度學習發展的新紀元，指引了機器學習的一個嶄新方向。深度學習從以下三個方面克服了淺層學習的不足：

(1) 傳統多層神經網絡采用梯度下降優化網絡權值，而DBN首先進行無監督學習，特征提取后再進行優化，從而解決了容易陷入局部最優的問題[12]。

(2) 針對傳統神經網絡中存在的“梯度消失”現象及從頂層向下傳遞過程中誤差校正信號逐漸減弱等問題，深度學習采用逐層訓練的機制解決了這一問題[13]。

(3) 采用全連接的DNN(下層神經元和所有上層神經元都能夠形成連接)會帶來參數數量膨脹的問題，卷積神經網絡(Convolutional Neural Network，簡稱CNN)[14]的單元之間采用局部連接形式，在很大程度上減少了神經網絡需要訓練的權值參數的個數，極大地加快了訓練速度[15]。

目前，國際上常用的深度學習模型有DBN、堆疊自編碼器(Stack Auto-Encoder，簡稱SAE)[16-17]、深度遞歸神經網絡(Deep Recurrent Neural Network，簡稱DRNN)[18]和深度卷積神經網絡(Deep Convolutional Neural Network，簡稱DCNN)[19]等。

自2006年DBN模型的首次提出至今，在十余年間，深度學習得到了蓬勃的發展，成功應用于圖像處理、語音識別、自然語言處理、自動駕駛、文本處理等眾多領域。大數據時代的海量數據具有容量大、多樣化、速度快和價值高等豐富的信息特性[20]，以及高性能硬件設備的發展均有效地促進了深度學習的“再次繁榮”，同時也為空氣動力學等基礎學科的研究與發展提供了新的思路和手段。

2 人工智能輔助空氣動力學三大手段研究效率提高

風洞試驗、數值模擬和飛行試驗是進行空氣動力學基礎研究和應用研究的三大手段。

2.1 風洞試驗

風洞試驗作為預測飛行器氣動性能，評定飛行器各項性能指標的最基本的研究手段，在飛行器設計、選型和鑒定等各階段發揮著重要作用。近年來，研究人員將人工智能技術與風洞試驗相結合，在風洞試驗數據處理、儀器測量、運行控制、故障診斷等方面取得了許多進展。

風洞試驗是一項復雜的系統工程，試驗結果受諸多因素的影響，不同工況下的試驗結果差別可能非常顯著，一次風洞試驗會產生大量的試驗數據。此外，由于風洞試驗數據具有非線性、不確定性等特點，使得數據處理的自動化、工程化面臨著嚴峻的挑戰。將機器學習等智能算法應用于風洞試驗數據處理，首先對現有數據進行特征提取，進而實現數據的有效分類、識別和回歸，最后建立基于樣本特征的智能判斷模型，實現對試驗數據正確性和關聯性的有效判斷。目前，美國已在NASA Lanley研究中心4.27 m×6.7 m亞音速風洞中配置了神經網絡數據分析系統[21]，該系統可以高效執行數據插值、模型結構優化和流動參數研究等工作。

在采用智能算法從試驗數據中提取有用信號的同時，如何提高風洞測量系統的精準度和可靠性也尤為關鍵。將人工智能算法應用于風洞測量系統，構建風洞智能測量方法逐漸成為一條可行途徑。R.Vijayagopal等[22]研制了一種神經網絡智能算法，用于小型多孔壓力探頭的校準，將壓力探頭的校準范圍擴大到75°。P.P.Vlachos等[23]研制的智能天平系統，將人工神經網絡用于應變計的校準，在很大程度上降低了天平校準的安裝要求。

在風洞智能控制與運行方面，國外多個風洞在進行技術改造或新建時，均將風洞智能管理系統作為主要研究內容與技術指標[24]。在風洞控制器設計上，已由傳統的PID控制向預測控制、模糊控制以及神經網絡等智能控制策略方向發展。NASA Lanley研究中心將自組織特征映射(Self-organizing Feature Map，簡稱SOM)神經網絡算法[25]應用于16 ft跨聲速風洞，有效提高了馬赫數和模型姿態的控制精度[26]。近年來，我國在風洞管理智能化方面也實現了許多技術突破。呂鵬濤等[27]開發了一個專家系統，用于NF-6風洞的狀態監控、參數測量及管理控制，并在NF-3風洞中構建了基于神經網絡自適應控制算法的穩風速控制系統，提升了系統的適應性、魯棒性和風速控制精度，大大縮短了調試時間。芮偉等[28]和金志偉等[29]采用神經網絡、最小二乘支持向量機(Least Squares Support Vector Machine，簡稱LS-SVM)[30]等方法建立2.4 m跨聲速風洞流場控制模型，提高了風洞控制策略的整體性能指標。

隨著風洞智能化水平和集成度的不斷提高以及風洞試驗任務的飽和，風洞試驗裝備的維護難度與日俱增，為保障試驗裝備正常運行所花費的費用和時間日益增多，而目前對參試裝備的故障檢測與診斷主要依靠人工方式，不僅效率和數據利用率低，而且效果受人員素質影響較大。隨著人工智能技術的不斷發展，航空航天地面(模擬)試驗設備的管理逐漸從傳統的定期維護、故障維修制度向高度自動化和智能化方向發展，逐步建立包括各種設備在線狀態監測、故障診斷、預警預報、維修決策等在內的設備狀態智能管理系統。R.A.Rosario[31]在4.88 m跨/超音速風洞中建立了一個基于人工神經網絡的壓縮機失速監控專家系統，由傳感器、預處理器、基于知識庫的診斷子系統、神經網絡子系統、數據分析和模式識別子系統等組成，該系統可檢測多級壓縮機系統運行中可能產生的氣流阻塞、失速和喘振等不穩定現象，從而提高壓縮機運行的安全性與可靠性。J.L.Rogers等[32]在NTF跨音速風洞中專門建立了一個用于振動檢測和故障預警的神經網絡，以便保證三級噴液氮泵閥的正常旋轉運行。中國空氣動力研究與發展中心(China Aerodynamics Research and Development Center，簡稱CARDC)自主設計并安裝了4 m×3 m低速風洞自主式維修保障系統軟件平臺[33]，包括狀態檢測、故障診斷、故障預測和裝備管理四大功能模塊，利用智能專家系統實現了維修決策環節的“人為決策”向機器“智能決策”的轉變，并基于規則和知識兩種途徑及數據融合算法，實現了對復雜大系統進行實時故障預測、健康度評估和剩余壽命預測。此外，張鵬等[34]還提出了一種基于概率神經網絡的風洞設備故障預測診斷方法，該方法能夠有效識別出系統各種典型故障，對于非線性的系統故障識別能力可滿足風洞設備實時在線診斷的需求。

2.2 數值模擬

采用計算流體力學(Computational Fluid Dynamics，簡稱CFD)方法可以提供高精度的流場數值仿真結果，但同時會消耗大量的計算資源。近年來，各國研究者在人工智能方法與數值計算結合方面，開展了許多創新性的研究工作。

(1) 直接建立物理參數、幾何參數與流場中速度矢量的模型，提高計算效率。L.Ladicky等[35]采用回歸森林(Regression Forests)方法成功對非定常流場進行預測，大大提高了數值計算效率。Guo X X等[36]采用CNN方法對二維和三維層流建模并進行流場預測，在保證較低錯誤率的前提下，其計算效率分別比基于GPU加速和傳統CPU的CFD解算器提升了2～4個數量級。

(2) 提高網格生成及優化效率。作為數值計算的基礎，網格質量直接影響著CFD的計算性能。網格生成是一項繁瑣的工作，大約占用CFD計算周期60%～70%的時間。網格生成后期，通過人工對網格質量進行判斷的方法不僅效率低下，且嚴重依賴技術人員自身經驗，嚴重制約了網格自動生成技術的發展。陳曉申[37]嘗試采用SVM等人工智能算法在計算網格分類的基礎上再進行網格優化，進而在保證網格質量的前提下提高了CFD的整體計算效率。

(3) 提高CFD數據壓縮效率，實現數據原位可視化。Liu Y等[38]提出了一種基于深度學習的CFD流場數據壓縮方法，由兩個CNN組成一個生成對抗網絡，對CFD流場數據進行了大幅壓縮，同時也取得了不錯的恢復效果。通過與現有的小波變化方法的對比，該方法在壓縮時間上具有一定的優勢，且泛化性能強，能夠很好地滿足原位可視化的要求。

2.3 飛行試驗和模型飛行試驗

飛行試驗是驗證飛行器地面預測結果的重要手段，但其存在費用高、風險大、可重復性低等問題。王國棟等[39]采用基于文本案例的推理(Textual Cases Based Reasoning，簡稱TCBR)、基于規則的推理(Rule Based Reasoning，簡稱RBR)及兩者融合的人工智能技術，構建了先進戰機智能化試飛支持信息系統，既減輕了試飛員或試飛工程師繁重的學習、記憶及理解的工作量，又能準確提供完成新任務所需的知識或解決新問題的參考。

此外，在一些飛行試驗涉及的關鍵技術方面，人工智能也發揮了重要作用。例如，現代飛行器對小型化、智能化和高機動化等日益增長的發展需求，要求不斷提升基于微機電系統(Micro-Electro-Mechanical System，簡稱MEMS)慣性傳感器的飛行器航姿參考系統的測量性能。常健[40]根據高動態環境下MEMS慣性傳感器的輸出特性設計了基于BP神經網絡的機動檢測器，在線檢測出高機動狀態并隔離MEMS加速度計信息，有效提高了MEMS航姿系統在高動態環境下的適應性和輸出性能。

隨著現代戰爭理念的不斷發展，對飛行器機動性能的要求日益增強，以F-22、F-35等為代表的新一代戰斗機設計均將過失速機動性能作為一項重要的戰技指標，并列入飛行試驗考核科目。作為飛行器大迎角飛行控制律設計、飛行動力學分析和飛行仿真的基礎和前提，如何準確快速建立非定常氣動力模型成為一項重要課題[41]。隨著人工智能的迅速發展，計算機通過對大量的靜態和動態風洞試驗數據的學習，進而預測飛機在機動飛行中的氣動力響應，是完全可能的。由于人工智能建模方法回避了復雜流動機理，屬于黑箱非線性系統建模范疇，包括神經網絡模型、模糊邏輯模型、SVM模型等。神經網絡因其強大的映射能力，在大迎角非定常氣動力建模領域具有廣闊的應用前景。汪清等[42-44]根據先驗信息的利用程度，分別發展了三種非定常氣動力神經網絡模型。史志偉等[45]基于徑向基神經網絡，研究了高度非線性非定常氣動力建模問題，且該建模方法可減少所需風洞試驗數據，具有試驗時間短、成本低、效率高等優勢。采用模糊邏輯算法進行系統建模時不需要給出具體的函數關系式，因此適用于結構復雜而難以確知的多變量非線性系統。Wang Z等[46-47]首先應用模糊邏輯算法進行非線性非定常氣動力的建模。在此工作基礎上，Lan C E等應用模糊邏輯算法分析了部分軍用飛機[48-50]和民用飛機[51-53]的飛行試驗數據，建立了非定常氣動力模型。由于SVM采用結構風險最小化準則替代神經網絡和模糊邏輯中的經驗風險最小化準則，因此具有更好的泛化性能，十分適合函數擬合和非線性系統建模等問題求解。

Chen Y L[54]和Wang Q等[55]應用LS-SVM方法開展了大迎角非定常氣動力建模研究。汪清等[41]針對LS-SVM建模中關于輸入、輸出變量選擇和參數確定等問題進行了深入研究，并通過F-16XL滾轉振蕩風洞試驗數據驗證了LS-SVM建模方法的有效性。

3 人工智能輔助數據分析與知識發現

空氣動力學發展至今，受理論不充分性等客觀因素影響，仍存在許多人類難以解釋的流動現象。近年來，借助人工智能方法對流體力學中的未知現象進行以數據驅動的機理建模，成為一條可行途徑。J.Ling等[56]和J.N.Kutz等[57]通過對大量高精度仿真數據的訓練，建立了一種基于深度神經網絡的湍流雷諾應力模型，該模型可同時預測各向異性特征值和張量，其預測精度明顯優于線性渦粘模型(Linear Eddy Viscosity Model，簡稱LEVM)和二次渦粘模型(Quadratic Eddy Viscosity Model，簡稱QEVM)。基于類似思想，針對高馬赫數流動情況下直接數值模擬(Direct Numerical Simulation，簡稱DNS)結果與湍流模式預測結果之間的差量，Huang J J等[58]采用機器學習方法建立了該差量與流動參數之間的深度神經網絡模型，成功預測了高速平板湍流邊界層的雷諾應力。

近年來，隨著CFD和計算能力的飛速發展，各空氣動力學及相關研究機構積累了大量的數值計算數據。數據量的爆炸式增長增加了采用傳統可視化方法尋找數據規律的難度，因此如何采用智能的方法從大量數據中發現隱含的模式已成為科學數據分析的一個研究熱點[59]。數據挖掘技術可從大量數據中提取有效信息，進行數據分析并發現潛在知識，已經廣泛應用于商務、生物、氣象、材料等多個學科領域[60]。基于數據挖掘技術的巨大潛能，將數據挖掘技術應用于流場分析，極有可能挖掘出常規數值方法難以發現的復雜流動規律。Han E H等[61]在流場數據方法方面開展了深入的研究，采用C4.5和SVM算法對湍流猝發的生成規律進行了挖掘，并根據挖掘出的規律對其生成位置做出預測，獲得了較高的預測精度。解利軍等[62]提出了一種基于特征的流場數據挖掘方法和相應的數據模型組織方式，形成了一種流場數據挖掘的通用框架。在該框架下，采用Apriori算法對Rayleigh Benard對流現象的流場數據進行了關聯規則分析，得到了一些溫度和渦結構之間的關系。Jiang S Q等[63]在三維三分量TR-PIV速度矢量場數據庫基礎上，以改進的象限分裂法和新條件相位平均技術作為數據挖掘準則，檢測并提取得到了一種含“鞍點”的“四極子”結構動力系統模型，并進一步討論了該相干結構與雷諾應力猝發事件及脈動渦量之間的內在聯系。Deng L等[64]提出了一種基于CNN的渦智能提取算法，該算法針對流場點，以全局算法提取結果為標簽，并結合流場計算的局部特性，將渦提取任務轉化成一個二分類問題。該算法結合了局部算法和全局算法的特點，具有較低的誤報率，并在性能和準確性上獲得了一個很好的平衡。

通過以上對流場數據挖掘的初步探索，可以看出將人工智能應用于流場，一方面有助于分析流動機理，另一方面有助于捕捉特定流動現象。但是，由于流場數據結構與組織形式各異，也為人工智能技術的應用提出了新的問題與挑戰。

4 人工智能輔助飛行器氣動優化設計

飛行器是一個多系統、多學科的復雜系統，氣動性能作為其他子系統、學科開展工作的基礎或出發點，具有基礎性、全局性和先導性，氣動性能的優劣在很大程度上決定了飛行器的總體性能。因此，在飛行器的研制過程中，飛行器氣動優化設計是一項重要的基礎性研究課題。近年來，各航空航天大國均在飛行器的研制初期階段，采用人工智能方法輔助氣動優化設計，在有效提高效率的同時，減少了研制費用，縮短了設計周期，降低了項目風險，其主要的應用體現在兩方面。一是在優化算法方面，以遺傳算法(Genetic Algorithm，簡稱GA)為代表的智能優化算法于1995年被首次引入氣動外形設計中[65]。國內外學者基于GA開展了較為詳細的氣動優化設計研究[66]，先后在二維翼型[67-68]、三維翼型[69-70]、旋翼[71]和全機[72]等方面得到了成功應用，并發展了一系列適用于氣動優化的改進遺傳算法以及粒子群優化(Particle Swarm Optimization，簡稱PSO)算法、蟻群算法等其他類型的智能優化算法[73-76]。整體而言，與常用的梯度類優化算法相比，智能優化算法具有較好的全局尋優能力和更好的計算魯棒性。二是在提高優化計算效率方面，由于優化計算過程中需要大量調用原始高精度計算模型，致使氣動優化效率低下，出現計算量過大、耗時較長的問題。如何快速有效地預測氣動參數成為一個亟待解決的問題。隨著神經網絡和機器學習技術的發展，一種以人工智能為基礎的預測方法逐漸進入人們視野。該類方法從參數化的飛行器幾何外形出發，采用數值方法獲取典型氣動外形下飛行器氣動特性，建立氣動特性與外形參數之間的神經網絡模型、Kriging模型、SVM等模型，亦稱為響應面模型，之后利用該響應面模型進行優化設計，從而避免了大量的數值運算。在此基礎上，將響應面模型與智能優化算法相結合構建的混合算法，保證了局部搜索與全局優化的綜合性能，已在氣動優化中得到了廣泛應用。例如，S.Jeong[77]和Song W[78]將Kriging模型與GA結合，分別對翼型、襟翼位置和亞聲速發動機短艙進行了優化設計。孫美建等[79]采用改進的PSO算法優化Kriging模型參數，提高了Kriging模型的預測精度，對高維度多目標多約束的跨聲速機翼進行了優化。Han Z H等[80-81]也對Kriging模型的理論和應用開展了較深入的研究。Andrés E[82]將進化規劃(Evolutionary Programming)算法與支持向量回歸(Support Vector Regression)算法相結合，用于預測具有不同幾何參數的機翼在不同攻角情況下的升力、阻力和滾轉力矩系數。通過大量的工程應用與實踐發現，由于基于響應面模型的優化方法在建立預測模型和對翼型氣動系數進行預測時均需要飛行器的幾何參數，屬于參數化學習方法。同時，隨著模型精度的提高，以上傳統淺層學習方法的算法復雜度將呈指數級增長。

近年來，研究者將數據挖掘技術應用于氣動優化設計中，并取得了一定進展。A.Oyama等[83-84]采用基于本征正交分解(Proper Orthogonal Decomposition，簡稱POD)的數據挖掘技術對跨聲速翼型的多目標優化設計的Pareto解進行了特征提取與分析，將優化結果分成了低阻力、高升阻比和高升力三類，并獲取了每類結果的設計知識。段焰輝等[85]亦將POD應用于跨聲速壓氣機轉子葉片氣動優化設計的大量過程數據，得到的設計知識可以直接反映氣動外形的變化規律。李潤澤等[86]也將流場結構識別與性能優化結合，建立流場結構與性能指標的關聯關系，提出了流場結構和性能指標共同導向的優化思想。鑒于SOM神經網絡強大的數據聚類功能，S.Jeong[87]、T.Kumano[88]和K.Chiba等[89]分別在可重復使用運載火箭助推器外型設計、跨聲速翼型設計和小型噴氣式飛機翼型設計中引入SOM神經網絡作為數據挖掘技術的一種，通過可視化的方式確定優化方向，在各設計變量中尋找平衡點。國內的陳杰等[90]以SOM神經網絡為基礎，結合數據庫技術，建立了一套基于人工神經網絡方法的民用飛機先進氣動力機翼設計流程。通過神經網絡建立專家數據庫，根據設計條件自動搜索與設計目標相近的參考外形，同時給出優化設計方向，在優化過程中采用神經網絡作為流場計算的輔助，在短時間內考察大量設計外形，大大提高了設計效率。通過該方法得到的翼型設計結果具有更好的綜合氣動特性，提升了氣動設計方法的智能化和設計經驗的可傳承性。由于該設計方法具有較強的通用性，后又被應用于風機葉片葉尖翼型設計中[91]。

上述智能優化設計方法需要根據設計經驗提取幾何特征，而深度學習具有可以自動提取特征的特點。鑒于CNN特殊的網絡結構，十分適合于圖像處理，陳海等[92]以翼型圖像作為輸入，建立了CNN預測模型，對翼型特征進行提取與分類，最后通過回歸分析預測翼型的氣動系數。此類基于深度學習的非參數化方法，有效解決了淺層學習方法中由于訓練層數和樣本數的增大而帶來的算法復雜度急劇增加的問題。

5 人工智能給空氣動力學發展帶來的挑戰

近年來人工智能技術飛速發展，尤其是大量的各類深度學習模型出現，得益于計算機硬件水平及并行計算方法跨越式發展的同時，信息時代產業界數據量的爆炸式增長亦功不可沒。人工智能技術在空氣動力學及其相關學科發展及應用中取得了很多成績，但同時也面臨著許多問題，為研究者們帶來了更多嶄新的挑戰。

(1) 數據數量和質量有限，限制了人工智能的性能與水平。現階段由于風洞試驗、數值模擬和飛行試驗數據有限以及未合理采集、整理與利用，造成機器學習模型訓練所需數據樣本量不足，且完整性與確定性較差，進而嚴重制約了模型的性能水平，導致人工智能技術難以有效發揮。例如，由于訓練樣本數量有限，致使目前設計的風洞智能診斷系統欠缺較好的魯棒性。

(2) 機器學習方法所提取的特征通常不可解釋，缺乏物理含義[93]。由于完全由數據驅動的、以概率統計為基礎的深度學習方法屬于“黑箱”學習方法，這就容易導致在缺乏專業領域知識的情況下，進行盲目的“黑箱式”學習，且獲得的特征通常采用高維向量表示，與人為定義的物理特征難以對應。同時所獲取的函數關系也并不都是因果關系，而是關聯關系。

(3) 目前的人工智能和機器學習在多尺度非線性映射、大數據關聯關系挖掘與決策等方面表現出了強大的優勢，但在深層邏輯推理與復雜公式推導、“靈光一現”的創造性設計等方面還存在著明顯不足，要將其直接應用到深層次流動規律揭示、復雜公式推演、氣動布局創新設計等問題還存在一定困難。

6 結束語

針對上述問題，今后應重點關注以下三個研究方向：

(1) 利用大量適用的仿真模擬數據對試驗數據進行有效補充，形成數量、質量均能滿足人工智能技術需求的基礎數據庫。

(2) “數據驅動”與“知識驅動”兩種方法結合，建立并完善氣動知識庫和推理機制，推進專家系統建設，深入分析機器學習提取特征與物理特征之間的關聯，提高“數據驅動”模型的可解釋性。

(3) 密切關注數學、認知科學、神經科學等與人工智能的學科交叉，將其在矢量特征提取、語義推理、知識發現與應用等方面的最新研究成果與空氣動力學研究深度結合，將人工智能在空氣動力學研究中的層次逐步由目前的“工具”層次逐步提升到“合作”甚至“指導”層次。