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(dòng)力學(xué)中的Navier-Stokes方程組、電磁場(chǎng)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(shí)將面臨“維度災(zāi)難”，復(fù)雜計(jì)算度難以想象。

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

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

多物理場(chǎng)耦合問題核心難點(diǎn)在于，流體和結(jié)構(gòu)復(fù)雜相互作用，會(huì)引起動(dòng)力荷載，進(jìn)而導(dǎo)致抖振、渦振、馳振、顫振等流致振動(dòng)，影響結(jié)構(gòu)安全與服役年限。傳統(tǒng)的數(shù)值計(jì)算需要畫網(wǎng)格，計(jì)算量巨大，并且是一個(gè)不斷試錯(cuò)的過程，對(duì)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(gè)含有單獨(dú)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(gè)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(chǎng)景解決傳統(tǒng)科學(xué)計(jì)算所面臨的難度高、時(shí)間長(zhǎng)、跨尺度模擬等挑戰(zhàn)，實(shí)現(xiàn)數(shù)據(jù)與物理機(jī)理相結(jié)合的大規(guī)模科學(xué)研究。

曙光智算&百度飛槳強(qiáng)強(qiáng)聯(lián)合 突破傳統(tǒng)受限加速科學(xué)計(jì)算

在曙光智算AC平臺(tái)上，百度飛槳聯(lián)合曙光完成了PaddleHelix-PaddleFold的部署，同時(shí)針對(duì)2D非定常圓柱繞流流場(chǎng)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(zhǎng)尺度的模擬。

曙光智算AC平臺(tái)目前已接入飛槳計(jì)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(tái)支撐），讓廣大算力服務(wù)用戶獲得更好的飛槳使用體驗(yàn)，持續(xù)優(yōu)化提升雙方共同打造的行業(yè)標(biāo)桿。