研究人員已經(jīng)開始探索使用ML在高性能計算方面提供持續(xù)改進的可能，以解決偏微分方程和科學計算中的困難計算問題。他們發(fā)現(xiàn)，ML可以用來學習在更粗的網(wǎng)格上更好地表示PDEs。

他們能夠改進現(xiàn)有的方案，用基于機器學習的優(yōu)化規(guī)則取代基于人類深刻洞察力的啟發(fā)式。根據(jù)他們的說法，他們在ML模型中發(fā)現(xiàn)的規(guī)則是復雜的，他們并不完全理解這些規(guī)則，但是他們集成了復雜的物理原理，比如“上卷”的概念。為了精確地模擬流體中向你吹來的東西，你應該順著風吹來的方向向上看。下面是他們在一個簡單的流體動力學模型上的結(jié)果的一個例子。

本研究的重點是提高技術(shù)，以解決更大規(guī)模的模擬現(xiàn)實世界的科學計算問題，如天氣和氣候預測。

研究人員還展示了一種將機器學習和物理有效結(jié)合起來的方法。神經(jīng)網(wǎng)絡可以與傳統(tǒng)模擬方法中的組件相結(jié)合，從而在復雜的高維空間中學習插值的最優(yōu)規(guī)則，而不是從零開始學習物理。

通過這樣的研究，我們可以期待更多的增強工程系統(tǒng)、自然現(xiàn)象仿真、知識發(fā)現(xiàn)、可視化數(shù)據(jù)處理以及更好的優(yōu)化手段。