图 GotFlow3D框架及其大规模粒子跟踪应用效果

　　在国家自然科学基金项目（批准号：61973270、61621002）等资助下，浙江大学控制科学与工程学院、湖州研究院许超教授、蔡声泽研究员团队在大规模粒子跟踪流场测速智能计算领域取得进展。成果以“三维流动粒子群跟踪的循环图最优传输学习（Recurrent graph optimal transport for learning 3D flow motion in particle tracking）”为题，于2023年5月以封面文章形式发表于《自然·机器智能》（Nature Machine Intelligence）期刊上。论文链接：https://www.nature.com/articles/s42256-023-00648-y。

　　自然界中存在着各种各样飞行和游弋的生物，它们通过翅膀的扑动和身体的摆动来获得推动力，这背后蕴含着深刻的力学原理。然而，围绕在这些运动体周围的水和空气是无形无色的，观测生物或机械结构运动时产生的复杂流动行为成为一项挑战。为了克服这一挑战，研究团队综合运用了多场光学成像、测控系统、数据解析、可视计算以及人工智能等多学科知识，发展了流场成像与智能学习（Fluid Imaging and Learning Machines，FILM）技术手段，为观测流体介质演化和理解数据背后的力学原理提供了全新的研究视角。

　　研究团队融合了图神经网络和最优传输理论（Optimal Transport，现代数学前沿分支，曾于2010年与2018年获菲尔兹奖），解决了湍流可视化中大规模示踪粒子群匹配的定量刻画难题。提出了深度循环神经网络GotFlow3D，将人工智能、最优传输、流体力学等学科交叉，从时序三维粒子集合中重构三维流场运动，为湍流可视化测量数据的智能解析提供了新的研究思路和技术手段，打造出面向复杂流场观测的智能测量方法（图），为复杂流动现象的深入理解和智能化分析提供了有力支持。