偏微分方程，又稱PDE，通常用于刻劃或描述復(fù)雜物理模型用于解決許多物理和工程領(lǐng)域的難題，如流體動力學(xué)中的Navier-Stokes方程組、電磁場理論中的Maxwell方程組和量子力學(xué)中的Schro?dinger方程等。但高維PDE通常難以求解， 傳統(tǒng)算法在處理高維PDE時將面臨“維度災(zāi)難”，復(fù)雜計算度難以想象。

深度學(xué)習(xí)，正在成為加速科學(xué)計算及其高質(zhì)量發(fā)展的重要推動力，將數(shù)據(jù)與物理機理相結(jié)合，實現(xiàn)加速求解高維PDE，尤其是應(yīng)用于工業(yè)設(shè)計仿真等領(lǐng)域涉及的“老大難”：多物理場耦合問題。

利用神經(jīng)網(wǎng)絡(luò)求解高維PDE，突破多項傳統(tǒng)難題

多物理場耦合問題核心難點在于，流體和結(jié)構(gòu)復(fù)雜相互作用，會引起動力荷載，進(jìn)而導(dǎo)致抖振、渦振、馳振、顫振等流致振動，影響結(jié)構(gòu)安全與服役年限。傳統(tǒng)的數(shù)值計算需要畫網(wǎng)格，計算量巨大，并且是一個不斷試錯的過程，對高維求解具有維度災(zāi)難問題。

然而通過神經(jīng)網(wǎng)絡(luò)高維表征建立高維輸入到輸出的函數(shù)映射，可以解決維度災(zāi)難，將一個含有單獨隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，給定充分的神經(jīng)元，這個神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任意函數(shù)。利用深度學(xué)習(xí)技術(shù)求解高維PDE，可以在某些復(fù)雜場景解決傳統(tǒng)科學(xué)計算所面臨的難度高、時間長、跨尺度模擬等挑戰(zhàn)，實現(xiàn)數(shù)據(jù)與物理機理相結(jié)合的大規(guī)?？茖W(xué)研究。

曙光智算&百度飛槳強強聯(lián)合 突破傳統(tǒng)受限加速科學(xué)計算

在曙光智算AC平臺上，百度飛槳聯(lián)合曙光完成了PaddleHelix-PaddleFold的部署，同時針對2D非定常圓柱繞流流場模擬做到了更大的網(wǎng)格數(shù)更少監(jiān)督數(shù)據(jù)及更長尺度的模擬。

曙光智算AC平臺目前已接入飛槳計算組件，并通過聯(lián)合培訓(xùn)課程，大賽底層支撐（“先導(dǎo)杯“大賽的平臺支撐），讓廣大算力服務(wù)用戶獲得更好的飛槳使用體驗，持續(xù)優(yōu)化提升雙方共同打造的行業(yè)標(biāo)桿。